6. 결론

최종 모델

• 일련의 실험을 거쳐 검증한 결과, yolov8s-seg와 yolov8m-seg을 기준으로 공시된 Default 설정으로 학습한 모델이 정량평가 및 정성평가에서 우수한 성능을 보였으며, 두 모델 간의 성능 차이는 Test dateset 특성에 따라 경미하게 달라짐

  • (정량평가) Default 설정을 기준으로 yolov8s-seg, yolov8m-seg의 mAP50가 0.921로 동일하게 측정됨

  • (정성평가) 추론 결과에 대한 이미지를 기준으로는 yolov8s-seg의 성능이 더 우수하다고 판단됨

• 성능이 유사함에 따라 모델구동의 경제성을 고려하여 yolov8s-seg을 최종 선정함

연구의 의의

• 실험과정에서 다양한 환경의 다양한 장면의 영상을 확보하여 데이터를 구축하고, 바다영역의 포함 정도(전체/일부/해당없음)에 따른 데이터 균형을 맞춘 것이 모델 성능향상에 유효했다고 판단됨

• 해당 모델의 성능을 기반으로 오검출된 선박 및 돌고래 결과값을 보완하고, 정확도 및 신뢰도를 향상시킬 수 있음을 확인

  • Object Detection & Tracking 검출정보와 해당 모델을 통해 도출된 바다영역 Mask 사이에 겹치는 영역을 확인하고 각각의 정보를 Overlap 하는 과정을 통해 바다가 아닌 영역에서 도출된 결과값(FP)을 제외하는 역할을 담당

  • Unseen data 및 Edge case Test를 토대로 학습의 효용성을 확인하였으며, 특수한 환경이나 조건에도 대응 가능함을 입증함

한계 및 후속연구의 필요성

• 다만, 더 다양한 영상 이미지에 대응하여 그 특수성에 관계없이 모델의 범용적인 성능을 높이기 위해서는 학습 데이터셋의 규모를 확대할 필요가 있으며, Edge case의 범주를 넓힌 추가 테스트가 요구됨

• 또한, 해당 모듈은 바다가 아닌 영역에서 검출되는 FP를 제거하기 위한 모델 및 알고리즘을 제안하였으나, 바다 내 영역에서 발생하는 FP에 대한 방안으로는 적용이 불가하여 향후 이에 대한 보완조치 필요