비전 AI 혁신 사례ㅣ야간 산불 연기 탐지, 레이블링 비용 0원으로 해결

지금 보고 계신 이미지는 산불 연기와 안개입니다. 언뜻 보면 사람도 쉽게 구분하기 어렵습니다. 희뿌연 형태와 흐린 배경이 비슷하기 때문입니다.

그렇다면 비전 AI는 이 둘을 정확하게 구분할 수 있을까요?

특히 야간이나 악천후처럼 시야가 제한된 환경에서는 숙련된 전문가뿐만 아니라 일반적인 AI 모델도 이 둘을 혼동하기 쉽습니다. 비전 AI를 운영하며 특정 환경에서의 성능 저하로 고민하고 있다면, 이번 스피어에이엑스의 사례가 명확한 해답이 될 것입니다.

CCTV 기반 산불 감지 AI를 개발하는 스피어에이엑스도 같은 문제를 겪었습니다. 주간에는 안정적이던 모델이 야간에는 정확도가 급격히 하락했기 때문입니다. 조사 결과, 문제의 원인은 AI 알고리즘이 아닌 학습 데이터의 불균형에 있었습니다.

정교한 비전 AI의 차이는 모델 구조보다 ‘다양한 환경의 고품질 데이터를 얼마나 학습했느냐’에서 결정됩니다. 스피어에이엑스가 페블러스와 함께 어떻게 야간 데이터 부족 문제를 극복했는지, 그 원리와 과정을 알아보기 전, 비전 AI의 개념, 원리부터 알아보려 합니다.

비전 AI란?

비전 AI(Vision AI)는 이미지와 영상 속 정보를 AI가 분석하고 이해하는 기술입니다. 사람처럼 사물이나 사람을 인식하고, 위치를 찾거나 이상 상황을 감지할 수 있습니다.

현재 비전 AI는 제조업의 불량 검사, 물류 자동 분류, 의료 영상 분석, 스마트시티 등 다양한 산업에서 활용되고 있습니다. CCTV를 활용한 화재·산불 감지 역시 대표적인 비전 AI 활용 사례입니다.

비전 AI는 어떻게 이미지를 인식할까요?

비전 AI는 이미지 내 객체의 색상, 형태, 질감, 주변 맥락 등을 종합 분석하여 결과를 도출합니다.

하지만 학습 데이터에 포함되지 않은 조명이나 기상 조건이 입력되면 AI의 정확도는 급격히 떨어집니다. 스피어에이엑스가 마주한 ‘야간 산불 탐지’가 바로 그러한 대표적인 데이터 희소 영역이었습니다.

산불 연기와 안개를 구분하는 비전 AI, 스피어에이엑스 사례

결론부터 말씀드리자면, 스피어에이엑스가 겪은 야간 데이터 부족 문제를 페블러스의 데이터클리닉이 레이블링 비용 0원으로 해결할 수 있었습니다. 지금부터 그 해결 과정을 자세하게 소개해드리겠습니다. 

레이블링이란? AI가 이미지 속 객체의 위치와 종류를 학습할 수 있도록 사람이 직접 표시하는 작업입니다. 일반적으로 야간 데이터 200장을 새로 구축하려면 촬영 비용이 필요합니다.

1. 문제점: 왜 밤이 되면 비전 AI 성능이 떨어질까요?

"밤에는 산불 연기가 보이지 않습니다."

“밤이 되면 산불 연기와 안개를 구분하지 못합니다.”

낮에는 곧잘 작동하던 모델이 밤만 되면 성능이 뚝 떨어졌습니다. 스피어에이엑스는 CCTV 영상 기반 객체탐지에 강점을 지닌 대구 지역 대표 AI 기업입니다. 즉 산불·화재 감지 비전 AI 모델을 이미 운영 중이었습니다. 하지만 모델을 한 단계 더 고도화하는 과정에서 치명적인 데이터 한계에 부딪혔습니다.  

• 스피어에이엑스에서 최우선으로 해결해야 할 데이터는 ‘야간 데이터’였습니다. 전국 CCTV를 통해 확보한 영상 데이터의 양은 충분했지만 실제 야간 산불은 발생 빈도가 낮아 필요한 데이터를 확보하기 어려웠습니다.

• 특히 야간 산불 연기와 안개를 구분할 수 있는 실제 데이터는 매우 희소해 모델 성능 개선에 필요한 학습데이터를 충분히 수집하기 어려운 상황이었습니다. 

비전 AI의 고도화를 방해하는 주범은 발생 빈도가 낮은 ‘희소 데이터(Rare Data)’입니다. 특히 야간 산불은 실제 발생 사례가 드물어 양질의 학습 데이터를 수집하기가 매우 어렵습니다.

설령 야간 데이터를 확보하더라도, 어두운 배경 속에서 객체의 윤곽을 따는 레이블링 작업은 막대한 시간과 비용이 소요됩니다. 단순 수집만으로는 해결할 수 없는 이 병목 현상이 모델 고도화를 늦추는 주요 원인이었습니다.

이러한 문제를 해결하기 위해 스피어에이엑스는 대구디지털혁신진흥원이 주관한 '데이터 품질 진단 및 개선' 사업에 참여했습니다. 이를 통해 페블러스 데이터클리닉이 데이터 품질을 진단해 문제의 원인을 분석하기 시작했습니다.

2. 데이터클리닉 진단 결과, 보유 데이터 1만 장! 그런데 품질은 67점?

우선 페블러스는 스피어에이엑스가 보유한 데이터 1만 장(Smoke 5,000장 / Fog 5,000장)을 정밀 진단했습니다. 수많은 데이터를 보유하고 있었음에도 불구하고  종합 점수는 67점, '보통' 등급이었습니다.

즉 데이터가 10,000장이나 있어도, 정작 모델 성능을 좌우하는 야간 조건에서는 학습 자료가 거의 없었던 셈입니다. 데이터의 양은 충분했지만, 정작 필요한 순간에는 아무 쓸모가 없었던 것이죠.

3. 페블러스의 해결책, 주간 데이터를 야간 데이터로! ‘합성데이터 (Data Bulk-up)’ 전략

페블러스가 제안한 해법은 단순히 데이터를 추가로 수집하는 것이 아니라, 생성형 AI를 활용한 데이터 증강(Data Bulk-up) 전략이었습니다. 

여기서 핵심은 기존의 주간 데이터를 새롭게 활용하는 것이었습니다. 이미 레이블링 정보(객체 위치)가 포함된 주간 이미지를 활용해 레이블은 그대로 유지하면서 배경을 야간 환경으로 합성 변환하는 방식입니다. 이를 통해 별도의 야간 레이블링 작업 없이도 야간 학습 데이터를 구축할 수 있었습니다.

기술적으로는 다음 세 가지가 함께 적용됐습니다.

• Flux 1 모델 활용: 고품질 이미지 생성을 위한 최신 생성 모델 적용

• 정밀 컨트롤: 어스름한 정도, 가로등 조명 효과 등을 단계별로 조절해 다양한 야간 조도 환경을 시뮬레이션

• 데이터 다이어트(Data Diet) 병행: 앞서 진단에서 발견된 중복도 높은 안개 데이터 제거, 그 자리에 희소한 야간 데이터를 채워 넣는 최적화 동시 수행

그런데 여기까지 읽으셨다면, 한 가지 의문이 생길 수 있습니다.

“그냥 낮 사진을 어둡게 바꾼 것 아닌가요?”

“기존 주간 이미지를 야간 이미지로 변환한 뒤, 기존 라벨을 그대로 사용한 것 아닌가요?”

그렇지 않습니다. 이유는 크게 두 가지입니다.

1. 실제 야간 환경을 최대한 반영한 데이터를 만들어야 하기 때문입니다.

평상시의 밤을 상상해보시길 바랍니다. 생각해보면, 그저 어두워지기만 했다고 해서 밤이 되는 것이 아닙니다. 밤이 되면서 달빛, 가로등, CCTV 노이즈, 빛 번짐, 센서 품질 저하 등 다양한 변화가 생깁니다. 여기에 산불 탐지 환경이라면 더욱 변수가 많아집니다. 

만약 밝기만 낮은 이미지를 학습하면 AI는 ‘어두운 필터만 적용된 이미지’를 학습하게 됩니다. 밤 이미지를 학습하지 못합니다. 따라서 실제 환경에서도 안정적으로 작동하는 AI 모델을 만들기 위해서는 이러한 야간 환경의 특성이 반영된 데이터가 필요합니다.

2. 야간 환경으로 변환하면서도 산불 연기의 특징은 그대로 유지해야 하기 때문입니다.

이번 프로젝트에서 중요한 것은 단순히 ‘밤처럼 보이는 이미지’를 만드는 것이 아니었습니다. 야간 환경과 산불 연기. 두 가지 조건을 동시에 만족하는 데이터가 필요했습니다.

하지만 AI 학습 데이터에서는 작은 변화도 치명적인 문제가 될 수 있습니다. 기존과 다르게 변환 과정에서 산불 연기의 위치나 형태가 바뀐다면 잘못된 학습 데이터가 되기 때문입니다.

4. 그 결과, 레이블링 비용 0원으로 정확한 인식 능력을 가진 비전 AI 개발

페블러스는 스피어에이엑스의 원본 주간 이미지 200장을 활용해 고품질 야간 합성 데이터 200장(안개 100장, 산불 연기 100장)을 생성했습니다. 주간 이미지의 명확한 산불 연기·안개 형태는 그대로 유지했습니다. 

동시에 밤하늘, 가로등, 어두운 배경 등 야간 환경을 구현해 모델이 다양한 조명 조건을 학습할 수 있도록 했습니다. 야간 환경에서도 안개와 산불 연기를 보다 정확하게 구분할 수 있는 학습데이터를 구축했습니다. 

이 밖에도 다음과 같은 효과가 있었습니다.

• 데이터 수집 부담 감소: 야간 산불 현장이라는 위험하고 희소한 상황을 직접 촬영하기 위한 출장비·안전 비용 대체

• AI 개발 기간 단축: 확보가 어려운 야간 산불 데이터를 빠르게 구축해 데이터 수집 대기 시간 없이 모델 개발, 배포 시간 단축

프로젝트는 실제 수백 장 규모의 데이터 합성으로 진행되었습니다. 완성된 데이터셋을 검토한 스피어에이엑스에서는 후속으로 더 큰 규모의 데이터 합성을 요청하고 싶다고 하실 정도로 좋은 평을 내려주셨습니다. 

데이터 품질 문제로 AI 모델 성능이 발목 잡힌 사례는 비전 AI 업계만의 이야기가 아닙니다. 모 대기업 현장에서 비전 AI를 도입 과정에서 겪은 데이터 문제도 함께 살펴보시길 바랍니다. 

해당 사례는 지난해 진행한 페블러스 데이터클리닉 웨비나에서 더욱 자세히 소개했습니다. 데이터 품질 진단부터 합성데이터 구축 과정, 실제 성능 개선 결과까지 자세히 확인하고 싶다면 아래 영상을 함께 시청해 보세요.

새로운 데이터를 확보할 것인가? VS 기존 데이터를 활용할 것인가?

핵심은 데이터를 더 많이 모으는 것이 아니라, 기존 데이터를 어떻게 활용하느냐에 있었습니다. 데이터를 많이 확보하는 것만으로 문제가 해결되지 않는다면, 데이터의 품질과 활용 방식을 개선하는 것이 성능 향상의 출발점이 될 수 있습니다. 

데이터 부족이나 레이블링 비용 문제로 비전 AI 성능 개선에 어려움을 겪고 있다면, 먼저 현재 데이터의 품질을 진단해 보세요. 데이터클리닉은 스피어에이엑스 사례처럼 데이터의 문제를 진단하고, 합성데이터 구축까지 성능 개선에 필요한 해결방안을 제안합니다.

AI 데이터 품질 개선 사례와 실무 노하우를 꾸준히 받아보고 싶다면 뉴스레터를 구독해 보세요. 실제 프로젝트 사례와 최신 AI 데이터 기술 소식을 정기적으로 전해드립니다.