CV

1. 웹캠 실시간 객체 탐지 — SSDLite

branch : feature/ssdlite

• SSDLite320 + MobileNetV3 (COCO pretrained)
• 2초 간격으로 객체 탐지, 박스 + 라벨 오버레이
• Flask 웹 스트리밍 (브라우저에서 접속)
• Docker Compose로 실행

한계

SSDLite(COCO pretrained)로 실험한 결과, 연필과 핸드폰을 제대로 구분하지 못하고 탐지 정확도(confidence %)가 낮게 나오는 현상이 발생하였다.

---

2. MobileNetV2 파인튜닝 — 연필 / 핸드폰 분류

branch : feature/object-detection-finetune

실험 필요성

SSDLite의 COCO pretrained 모델은 연필과 핸드폰에 대한 객체 탐지 성능이 좋지 않아, MobileNetV2를 해당 클래스에 맞게 파인튜닝하여 성능을 확인하였다.

데모

연필 탐지	핸드폰 탐지

---

파이프라인

Bing 이미지 크롤링
       ↓
train / val 분할 (80:20)
       ↓
MobileNetV2 파인튜닝 (Google Colab, GPU)
       ↓
model.pt 저장
       ↓
Flask 서버에서 웹캠 실시간 분류

---

데이터

클래스	수집	train	val
pencil	67장	54장	13장
phone	64장	52장	12장

• icrawler (Bing) 로 자동 수집
• 키워드: pencil object white background, smartphone mobile phone object

---

모델 구조

MobileNetV2 (ImageNet pretrained)
  ├─ features     → Freeze (학습 안 함)
  └─ classifier   → 교체하여 학습
       Dropout(0.3)
       Linear(1280 → 2)   # 학습 파라미터 2,562개

---

학습 설정

항목	값
Epochs	20
Optimizer	Adam (lr=1e-3)
Scheduler	StepLR (step=7, γ=0.1)
Loss	CrossEntropyLoss
전처리 (train)	Resize(224) + RandomFlip + RandomRotation(15°) + ColorJitter + Normalize
전처리 (val)	Resize(224) + Normalize
환경	Google Colab (Tesla T4 GPU)

---

학습 결과

Epoch	Train Loss	Train Acc	Val Loss	Val Acc
1	0.7547	57.6%	0.8460	48.0%
3	0.4490	80.2%	0.3009	100.0%
20	0.1727	94.3%	0.1351	100.0%

최고 검증 정확도: 100% (Epoch 3부터 수렴)

---

3. 자체 모델 구축 예정