자율주행 AI 챌린지 [Sementic Segmentation]

설명

정의	이미지의 각 픽셀(pixel)에 ‘의미(semantic)’를 부여하여, 해당 픽셀이 어떤 클래스(객체)에 속하는지를 분류하는 기술
목표	“이 이미지의 어느 부분이 사람이고, 자동차고, 도로인지”를 픽셀 단위로 구분
출력 형태	입력 이미지와 동일한 크기의 마스크(mask) 이미지, 각 픽셀은 클래스 ID(색상 등)로 표현됨

 

 

진행 요약

데이터 및 코드 확보	기본 베이스 코드와 공개 데이터셋은 확보되어 있었음	자료는 있었으나 활용 방향 미정
환경 구축 단계	PowerShell과 SSH를 이용해 서버 접속 및 GPU 환경 구성 시도	환경 구축에는 성공했으나 실행 구조를 잡지 못함
모델 실행 및 실험 설계	모델 실행 방식, 데이터 입력 구조, 학습 파이프라인 이해 부족으로 실험 진행 불가	학습 시도 단계 진입 실패
결과	모델 실행 및 실험 미진행, 문서화 및 환경 정리까지만 수행	기술적 결과물 없음

 

 

주요 문제점 및 원인

기술 방향 부재	데이터와 코드는 있었지만 무엇을 개선하거나 실험해야 하는지 모호	베이스라인 분석 및 목표 설정이 없었음
실험 설계 미흡	어떤 변수를 조정할지, 어떤 지표로 평가할지 구체화되지 않음	실험 설계 경험 부족
환경 구축 과도 집중	GPU 설정, SSH, 경로 문제 등 환경에만 집중	환경 이후의 단계(데이터 연결, 코드 실행 흐름) 이해 부족
학습 파이프라인 이해 부족	코드 흐름, 데이터로더 구조, 모델 입출력 개념 파악 부족	단순 실행보다 “구조 이해”가 선행되어야 함
피드백 루프 부재	진행 중 문제 해결을 위한 멘토나 참고자료 부족	혼자 진행하며 방향 점검 어려움

 

 

개선 항목 및 구체적 개선 방안

1. 구조 파악 중심 접근	코드를 “바로 실행”보다, 먼저 전체 구조를 파악하고 흐름 이해 (데이터 입력 → 모델 → 손실 → 출력)
2. 실험 목표 구체화	“모델 정확도 향상”이 아니라 “차선 검출 정확도 5% 향상” 등 현실적 목표 설정
3. 모듈 단위 실행	전체 학습보다, 데이터 로딩 → 모델 forward → 시각화 순으로 단계별로 쪼개서 확인
4. 환경 재사용화	Docker 이미지로 환경 자동 복원 가능하도록 스크립트화
5. 참고 구조 분석	기존 자율주행 오픈소스 (BDD100K, ApolloScape, Cityscapes baseline) 분석으로 구조적 인사이트 습득
6. 주기적 피드백 체계	진행 로그를 작성하고, 정기적으로 점검

 

 

느낀 점

자료가 있어도 구조를 모르면 활용할 수 없어 프로젝트가 제대로 진행되지 않았다. 모델의 흐름과 데이터의 이용방법을 설명할 수 있을 정도의 이해가 선행되어야함을 뼈져리게 느꼈다. 또한 프로젝트 진행을 위한 환경 세팅에 너무 많은 시간을 허비해 제대로 준비할 시간이 부족하여 아쉬웠다. 이후부터는 빠르게 공모전에 대한 정보를 모아두고 프로젝트에 대한 정보를 선행하여 확실히 준비 할 수 있도록 해야한다.