The Challenge: 시간 제한과 소형 객체
해군본부가 주관한 이 대회는 3일(72시간)이라는 매우 짧은 시간 안에, 영상 속의 작은 드론을 실시간으로 탐지하는 모델을 개발하는 것이 목표였습니다.
가장 큰 문제는 '시간 부족으로 인한 언더피팅(Underfitting)' 가능성과, 드론이 점처럼 보일 정도로 작아 '탐지 난이도가 높다'는 점이었습니다. 저는 팀 내에서 데이터 분석(EDA)과 데이터셋 구성을 전담하여 이 문제를 해결할 전략을 짰습니다.
▲ 타겟 크기 분석 및 앙상블 학습 파이프라인 구조
Key Strategy: 데이터 이원화 & 앙상블
단일 모델로는 모든 케이스를 커버하기 어렵다고 판단하여, 데이터를 전략적으로 분리하고 병렬로 학습시키는 방식을 제안하고 실행했습니다.
-
1. 정교한 EDA 및 타겟 박스 통계 분석
주어진 데이터에서 타겟(드론)의 Bounding Box 크기 분포와 표준편차를 정밀하게 분석했습니다. 이상치(Outlier)를 제거하여 학습 안정성을 높이고, 드론의 크기에 따라 데이터를 '초소형/소형/중형' 등으로 그룹화했습니다.
-
2. 데이터셋 이원화 (Dual Dataset Strategy)
모델이 다양한 상황을 학습할 수 있도록 데이터셋을 두 가지 버전으로 세팅하여 팀원들에게 전달했습니다.
Dataset A: 객체 유무만 판단하는 이진 분류(Binary Classification) 특화 데이터
Dataset B: 타겟 크기(표준편차)에 따라 클래스를 세분화한 데이터 -
3. 병렬 학습 및 앙상블 (Ensemble)
시간을 절약하기 위해 여러 대의 GPU 서버에서 서로 다른 설정(Config)의 YOLO 인코더들을 동시에 학습시켰습니다. 이후 각 모델의 예측 결과를 결합(Ensemble)함으로써, 단일 모델 대비 재현율(Recall)과 정밀도(Precision)를 모두 비약적으로 향상시켰습니다.
Result: 해병대 대표 수상
-
해군참모총장상 수상
타이트한 일정 속에서도 데이터를 과학적으로 분석하고, 병렬 처리 전략을 통해 언더피팅 리스크를 최소화한 점을 높게 평가받아 해병대 소속 대표 팀으로서 해군참모총장상을 수상하는 영예를 안았습니다.