AI가 배송 사진 속 퍼플 박스를 찾아낸 비결!

본 프로젝트는 Data-centric AI 철학을 기반으로, 데이터 품질 향상에 집중했다. 구체적으로, 가짜 라벨 생성, 결과 검증, 세부 수정 단계를 반복하며 라벨링 비용을 최소화했다. 따라서, 모델 재학습 주기를 통해 지속적인 성능 개선을 달성했다.

YOLOv11 모델을 활용하여 퍼플 박스, 종이봉투를 탐지했다. 라벨링 개선 주기를 통해 precision, recall을 향상시켰다. 반면, 초기 모델 성능이 낮거나 탐지가 어려운 객체는 MLOps 관점의 개선이 필요하다.

퍼플 박스 탐지 모델의 recall 증가는 도메인 적응의 결과이다. 따라서, 배송 기사 기록과 모델 결과의 일치율을 높였다. 결과적으로, 수기 검수 비용 93% 절감이라는 놀라운 성과를 달성했으며, 추가 객체 탐지를 통해 검수 자동화를 더욱 발전시킬 수 있다.