문서
배송 완료 사진 속 객체 탐지를 통한 수기 검수 비용 줄이기
윤준호 컬리 · 컬리 기술 블로그
AI 핵심 요약
배송 완료 사진에서 퍼플 박스나 종이봉투 없이 상품이 배송된 경우를 빠르게 찾아 신선도 저하 위험을 줄이기 위해, YOLOv11 기반 객체 탐지와 검수 자동화를 구축했다. 모든 사진을 직접 라벨링하는 대신 가짜 라벨을 생성하고, 사람이 오류를 확인해 잘못된 바운딩 박스만 수정한 뒤 데이터를 추가해 재학습하는 데이터 중심 반복 방식을 적용했다. 한 차례 라벨 개선 후 퍼플 박스와 종이봉투 탐지 성능이 모두 향상됐으며, 직접 바운딩 박스를 수정한 비율은 각각 10% 미만이었다. 운영에서는 수기 검수 비용을 93% 줄였고, 비닐 상태 배송 탐지를 추가한 뒤에는 수기 검수 필요 건이 99.8% 감소했으며 비닐 상태 배송 건도 줄었다.
- 모든 이미지를 처음부터 라벨링하기보다 모델의 가짜 라벨을 검증하고 틀린 바운딩 박스만 수정하면 라벨링 비용을 줄일 수 있다.
- 결과 검증자와 세부 수정자의 역할을 나누면 오류 선별과 정밀한 어노테이션 작업을 분리할 수 있다.
- 초기 모델이 다른 도메인의 이미지로 학습됐다면, 실제 운영 환경의 가림이나 촬영 조건을 반영해 파인튜닝해야 한다.
- objectness score가 높은 예측부터 검토하면 작업량을 줄일 수 있지만, 확신도 높은 오탐이 개선되지 않을 위험도 고려해야 한다.
소개
팀 내에서 배송 완료 사진 속 객체 탐지(퍼플 박스, 종이봉투)를 통해 수기 검수 비용을 감소 시킨 내용을 다루고자합니다.
