2025. 01. 21

무인기 기반 객체 인식을 위한 AI 모델 개발

드론 영상 기반 객체 탐지 데이터셋 구축 및 AI 온디바이스 모델 개발 수행기

무인기 기반 객체 인식을 위한 AI 모델 개발

드론을 기반으로 지상 객체에 대한 영상 촬영(다양한 날씨, 환경, 각도에서0
촬영 결과 영상에서 이미지 추출 및 객체 라벨링
Object Detection 모델 개발
드론에 On-device 연동 후 엣지 처리를 위한 모델 경량화 개발(용량이 작은 모델 활용)

프로젝트(고객사) 소개

현대 전장 환경에서 드론은 감시·정찰·타격 등 다양한 임무 수행 수단으로 급부상하고 있습니다. 특히 우크라이나 전쟁 사례처럼 전력 열세 상황에서도 드론을 활용한 전략적 대응이 효과적으로 입증되면서, 세계 각국은 드론 기반 무기체계 개발에 속도를 내고 있습니다.고객사는 미래전 대비를 위한 기술 중 하나로 무인기 기반 객체 인식 AI 개발을 추진하고 있었습니다.그러나 실전 작전에서 사용될 수준의 AI 모델을 학습시키기 위한 데이터셋 확보는 매우 어려운 과제였습니다.기존 군사 영상은 보안 이슈로 외부 활용이 불가하고, 상용 데이터는 전장 환경을 제대로 반영하지 못하면 데이터 양도 제한적이기 때문입니다. 시뮬레이션 영상 또한 현실성 부족으로 객체 식별 정확도가 낮았습니다.이에 따라 고객사는 실제 군사용 드론 환경과 유사한 조건에서 객체를 촬영하고, 이를 기반으로 AI 학습에 최적화된 객체 탐지 데이터셋을 구축하고자 하였습니다.더불어 현장 적용을 위한 실시간 인식 처리를 위해 모델의 경량화(On-device 최적화) 또한 필수 과제로 설정되었습니다.

고객사의 Problem

실전 전제의 데이터 수집 체계 구축

객체를 다양한 거리 고도, 방위각, 조명 조건에서 반복 촬영해야 하며, 드론 기동성과 실제 작전 환경을 고려한 현장 중심 시나리오 기반의 데이터 확보 필요

정밀한 객체 라벨링 및 대량 이미지 관리

고정밀 수준의 객체 인식, 정확한 B-Box와 클래스 정보 요구
5만 장에 가까운 이미지 데이터를 일관되게 가공하고 검수할 수 있는 고도화된 작업 체계 필요

엣지 환경에서 동작 가능한 경량 AI 모델 확보

드론 기기 내에서 실시간 추론이 가능한 모델을 위해, 고성능 대비 경량화된 모델 학습 및 최적화가 핵심 과제로 떠오름
데이터셋 구성부터 모델 설계까지 온디바이스 환경을 고려한 전 주기 설계 요구

데이터메이커의 Solution

데이터메이커는 고객사의 고도화된 요구사항을 충족하기 위해, 데이터 수집부터 모델 경량화까지 하나의 파이프라인으로 통합된 수행체계를 제시하였습니다.

실제 드론 촬영 기반 데이터 수집

(보안상의 이유로 세부 수치는 비식별화합니다)

객체 탐지 AI 모델의 성능 향상을 위해 데이터메이커는 객체(십자 마트, SUV, 트럭 등)를 다양한 장소와 조건에서 배치한 뒤, 회전익 드론을 활용해 아래와 같은 조건으로 데이터를 직접 수집하였습니다.

촬영 조건 , 해상도, 크기 : 보안상 이유로 비공개
촬영 방식 : 시제 군사 작전 환경을 반영한 시나리오 기반 촬영

위와 같이 자체적으로 시나리오를 구성하여 시뮬레이션이나 공개 데이터로는 구현할 수 없는 현실적이고 다변화된 데이터셋 확보가 가능하였습니다.

고품질 이미지 추출 및 정밀 객체 라벨링

촬영된 180분 분량의 드론 영상에서 약 32,000장의 이미지를 프레임 단위로 자동 추출하고, 객체가 명확하게 식별되는 이미지만을 선별해 정제하였습니다. 구축된 정밀 라벨링 데이터셋은 객체의 위치, 크기, 클래스까지 명확하게 태깅되어, AI 학습에 최적화된 형태로 구성되었습니다.

전처리: 블러 제거, 노이즈 정제, 객체 존재 시점 구간 분리
라벨링 방식: 바운딩 박스 기반 어노테이션
도구 활용: 데이터메이커 synapse 플랫폼 + AI 오토 라벨링(Detection 모델 활용)
검수 체계: 2단계 교차 검수 + 자동 구문검사 도구를 통한 정량 검수

Object Detection 모델 개발 및 고성능 결과 확보

데이터메이커는 정제된 데이터셋을 활용하여 다음과 같은 절차로 객체 탐지 AI 모델을 학습시켰습니다.

사용 모델: YOLOv4, Faster R-CNN 등 검증된 Object Detection 모델
학습 환경: GPU 서버 기반 고속 병렬 학습
정확도 기준: mAP 기준 성능 평가, 클래스별 recall/precision 모니터링
튜닝 포인트: 라벨 품질에 따른 weight 조정, IoU 최적화

그 결과, 객체별 식별 성능에서 고정밀 탐지(mAP 기준 상위권 달성)를 확인하였고, 실제 데이터 환경과 높은 일치도를 확보하여 현장 테스트 준비가 완료되었습니다.

모델 경량화 및 드론 온디바이스 연동

실제 드론 장비에 AI 모델을 탑재하기 위해서는, 아무리 성능이 우수한 모델이라도 경량화와 실시간 추론 가능성 확보가 전제되어야 합니다. 이를 위해 데이터메이커는 다음과 같은 경량화 작업을 수행했습니다.

경량화 전략: YOLO 계열 모델의 구조 단순화, 불필요한 파라미터 제거
성능 확보: 원본 대비 용량 최대 80% 절감, 추론 속도 2~3배 개선
적용 테스트: 드론 탑재 후 실시간 객체 탐지 수행 → 현장 대응 가능 수준의 응답성 확인

결과적으로, 데이터메이커는 데이터셋 품질, 모델 정확도, 경량화 효율성 세 측면을 모두 만족시키며, 실제 작전 환경에서 적용 가능한 완성도 높은 객체 탐지 AI 시스템을 실현했습니다.

프로젝트를 마치며

이번 프로젝트는 단순한 AI 모델 개발을 넘어, 정밀도와 보안성이 핵심인 군사 분야에서 실전 적용 가능한 객체 인식 시스템을 구현했다는 점에서 높은 의미를 가집니다. 데이터메이커는 직접 촬영 기반의 데이터 수집부터 고정밀 라벨링, 고성능 모델 개발, 온디바이스 경량화까지 전 과정을 자체 수행하며, 외부 의존 없이 안전하고 정밀한 AI 개발이 가능한 기술 파트너임을 입증했습니다.
정확성과 보안이 중요한 분야일수록, 신뢰할 수 있는 데이터와 이를 실현할 수 있는 기술력이 절대적으로 요구됩니다. 데이터메이커는 이번 프로젝트를 통해 고위험 산업에서도 데이터 설계부터 현장 적용까지 책임질 수 있는 실행력을 갖춘 기업으로 자리매김했으며, 향후 국방, 치안, 교통 등 고신뢰 AI가 필요한 분야에서 지속 가능한 협력 기반을 마련하게 되었습니다.
앞으로도 데이터메이커는 고정밀·고보안 데이터 구축 역량과 AI 실용화 경험을 바탕으로, 기술 내재화와 자립화를 필요로 하는 산업 현장의 든든한 파트너가 되어가겠습니다.