플러스프로젝트 배경
문제
- 마케팅 데이터 부족: 오프라인 매장이 단순 방문객 수만 파악할 뿐, 방문객의 성별/연령대 등 상업적으로 가치 있는 데이터나 매장 내 동선 파악이 어려워 마케팅 전략 수립에 한계가 있음.
- 데이터 불균형 및 AI 신뢰도 저하: 실제 현장 데이터의 연령대 레이블 편향 문제가 심각하여, AI 모델의 특정 연령대 예측 커버리지가 낮아 시스템 전반의 신뢰도를 저하시킴.
- 외부 유동 인구 데이터 단절: 매장 내부 데이터만 수집하고 외부 유동 인구수를 실시간으로 파악하지 못해 매장 내외부 마케팅 분석 연계가 단절됨.
프로젝트 목표
- 통합 방문객 행동 분석 솔루션 구현: CCTV 기반으로 실내 방문객의 얼굴 탐지, 성별/연령대 예측 및 동선 추적을 통합하고, 외부 유동 인구수까지 수집하여 포괄적인 마케팅 데이터를 확보하는 솔루션 구현.
- AI 모델 품질 및 신뢰도 확보: Weighted Random Sampler와 Focal Loss를 적용하여 데이터 불균형 문제를 해결하고, 연령대 예측 커버리지를 73%까지 향상시켜 모델 신뢰도를 확보하는 것.
- 실시간 객체 추적 안정성 확보: BoT-SORT 등의 고도화된 추적 알고리즘을 적용하여 사람의 움직임이나 가려짐에도 개별 방문객 동선을 안정적으로 추적하여 정밀 분석 데이터를 제공하는 것.
주안점 (핵심 개발/운영 고려사항)
- 상업적 가치 데이터 확보: 단순 인식에 그치지 않고, 매장 운영에 실질적인 도움이 되는 성별/연령대와 외부 유동 인구수 등 상업적으로 가치 있는 데이터를 수집하는 시스템 구축에 중점.
- 데이터 불균형 문제 해결: 실제 현장 데이터의 고질적인 문제인 연령대 레이블 편향을 해결하기 위해 Weighted Random Sampler 및 Focal Loss를 적용하여 모델 성능과 일반화 능력을 향상시키는 것에 집중.
- 실시간 객체 추적 안정성: 사람의 잦은 가려짐이나 움직임에도 개별 방문객을 안정적으로 추적하여 정확한 동선 분석 데이터를 제공하도록 BoT-SORT 알고리즘 구현에 집중.
- 마케팅 데이터 부족: 오프라인 매장이 단순 방문객 수만 파악할 뿐, 방문객의 성별/연령대 등 상업적으로 가치 있는 데이터나 매장 내 동선 파악이 어려워 마케팅 전략 수립에 한계가 있음.
- 데이터 불균형 및 AI 신뢰도 저하: 실제 현장 데이터의 연령대 레이블 편향 문제가 심각하여, AI 모델의 특정 연령대 예측 커버리지가 낮아 시스템 전반의 신뢰도를 저하시킴.
- 외부 유동 인구 데이터 단절: 매장 내부 데이터만 수집하고 외부 유동 인구수를 실시간으로 파악하지 못해 매장 내외부 마케팅 분석 연계가 단절됨.
프로젝트 목표
- 통합 방문객 행동 분석 솔루션 구현: CCTV 기반으로 실내 방문객의 얼굴 탐지, 성별/연령대 예측 및 동선 추적을 통합하고, 외부 유동 인구수까지 수집하여 포괄적인 마케팅 데이터를 확보하는 솔루션 구현.
- AI 모델 품질 및 신뢰도 확보: Weighted Random Sampler와 Focal Loss를 적용하여 데이터 불균형 문제를 해결하고, 연령대 예측 커버리지를 73%까지 향상시켜 모델 신뢰도를 확보하는 것.
- 실시간 객체 추적 안정성 확보: BoT-SORT 등의 고도화된 추적 알고리즘을 적용하여 사람의 움직임이나 가려짐에도 개별 방문객 동선을 안정적으로 추적하여 정밀 분석 데이터를 제공하는 것.
주안점 (핵심 개발/운영 고려사항)
- 상업적 가치 데이터 확보: 단순 인식에 그치지 않고, 매장 운영에 실질적인 도움이 되는 성별/연령대와 외부 유동 인구수 등 상업적으로 가치 있는 데이터를 수집하는 시스템 구축에 중점.
- 데이터 불균형 문제 해결: 실제 현장 데이터의 고질적인 문제인 연령대 레이블 편향을 해결하기 위해 Weighted Random Sampler 및 Focal Loss를 적용하여 모델 성능과 일반화 능력을 향상시키는 것에 집중.
- 실시간 객체 추적 안정성: 사람의 잦은 가려짐이나 움직임에도 개별 방문객을 안정적으로 추적하여 정확한 동선 분석 데이터를 제공하도록 BoT-SORT 알고리즘 구현에 집중.
프로젝트 성과
연령대 예측 커버리지 73%로 향상
Weighted Random Sampler와 Focal Loss 적용을 통해 연령대 예측 커버리지를 65%에서 73%까지 향상시켜 AI 모델 신뢰도를 확보
BoT-SORT 기반 정밀 동선 추적 시스템 구축
BoT-SORT 모델 파인튜닝으로 방문객의 잦은 가려짐에도 안정적인 개별 동선 추적을 구현, 매장 운영에 실질적인 동선 분석 데이터를 확보
실내외 통합 마케팅 데이터 확보
실내 방문객 특성 및 동선 데이터와 실외 유동 인구수 데이터를 통합 수집하여 매장 내외부 마케팅 분석에 활용 가능한 상업적 가치 데이터를 제공
핵심 기능
방문객 특성 분석
실내 CCTV로 얼굴을 탐지하고, 연령대 편향 문제를 해결한 AI 모델로 성별 및 연령대를 예측, 상업적 가치 있는 데이터 확보
정밀 객체 추적
BoT-SORT 모델로 파인튜닝하여 방문객의 동선을 파악하고, 외부 유동 인구수까지 수집하여 매장 내외부 마케팅 분석 데이터를 제공
데이터 품질 개선
불균형한 연령대 데이터셋에 Weighted Random Sampler와 Focal Loss를 적용, 연령대 예측 커버리지를 65%→73%까지 향상시켜 모델 신뢰도 확보
진행 단계
기획 및 정의
2024.03.
오프라인 매장 대상 상업적 가치 데이터 확보 목표 설정, 얼굴 탐지/성별/연령대 예측 및 동선 추적 등 핵심 기능과 데이터 수집 범위를 정의
데이터 처리 및 모델 개발
2024.03.
AI-Hub 데이터셋 가공, Weighted Random Sampler 및 Focal Loss를 적용하여 데이터 불균형을 해결하고 BoT-SORT 추적 모델을 개발
추적 및 시각화 시스템 구축
2024.04.
BoT-SORT 기반의 객체 추적 로직을 구현하고, PyQt 기반의 Desktop UI를 개발하여 분석 결과 및 추적된 동선을 시각화
테스트 및 런칭
2024.05.
실내/실외 CCTV 환경에서 모델의 커버리지 및 추적 안정성을 테스트하고, 최종적으로 방문객 행동 분석 솔루션을 런칭
프로젝트 상세
오프라인 매장을 메인 타깃으로 하는 CCTV 기반 방문객 행동 분석 및 마케팅 데이터 수집 솔루션 구현
작업 범위
- 기능 정의 및 모델 개발: 매장 방문객 얼굴 탐지, 성별/연령대 예측 모델 연구 및 실험, 외부 유동 인구수 수집 기능 정의 및 개발
- 데이터 처리 및 전처리: AI-Hub 데이터셋 가공, 데이터 불균형 해결을 위한 Weighted Random Sampler, Focal Loss 적용
- 추적 및 시각화 시스템 구축: BoT-SORT 기반 사람 추적 로직 구현 및 PyQt 기반 시각화 시스템 개발
- 지원 환경: 실내/실외 CCTV 영상 환경, Python 기반 Computer Vision 환경, PyQt 기반 Desktop UI
주요 업무
- 매장 방문객 특성 분석: 실내 CCTV를 활용하여 방문객의 얼굴 탐지, 성별 및 연령대 예측, 매장 내 동선 파악 기능.
- 외부 유동 인구 분석: 실외 CCTV 영상을 기반으로 외부 유동 인구수를 실시간으로 수집하고 분석.
- 고도화된 객체 추적: BoT-SORT 알고리즘을 적용하여 프레임 간 사람 객체를 안정적으로 추적하고 개별 동선 데이터를 확보.
- 분석 결과 시각화: PyQt를 활용하여 탐지된 얼굴, 성별/연령대 예측 결과 및 추적된 동선을 사용자에게 시각적으로 제공.
- 데이터셋 품질 개선: Weighted Random Sampler와 Focal Loss를 적용하여 편향된 연령대 데이터셋 문제를 해결하고 모델 커버리지(성능) 향상.
주안점
- 상업적 가치 데이터 확보: 단순 방문객 인식에 그치지 않고, 매장 운영에 실질적인 도움이 되는 성별/연령대와 외부 유동 인구수 등 상업적으로 가치 있는 데이터를 수집하는 시스템 구축에 중점.
- 데이터 불균형 문제 해결: 실제 현장 데이터의 고질적인 문제인 연령대 레이블 편향 문제를 해결하기 위해 Weighted Random Sampler 및 Focal Loss를 적용하여 모델 성능과 일반화 능력을 향상시키는 것에 집중.
- 실시간 객체 추적 안정성: 사람의 잦은 가려짐이나 움직임에도 개별 방문객을 안정적으로 추적하여 정확한 동선 분석 데이터를 제공하도록 BoT-SORT 알고리즘 구현에 집중.
- 기술적 한계 인식 및 대안 제시: 장기 목표인 Multi-View Object Tracking 구현의 기술적 난이도와 서버 구축의 한계를 인식하고, 단기적으로 단일 시점 추적 기술을 완성도 높게 구현하는 데 집중.
작업 범위
- 기능 정의 및 모델 개발: 매장 방문객 얼굴 탐지, 성별/연령대 예측 모델 연구 및 실험, 외부 유동 인구수 수집 기능 정의 및 개발
- 데이터 처리 및 전처리: AI-Hub 데이터셋 가공, 데이터 불균형 해결을 위한 Weighted Random Sampler, Focal Loss 적용
- 추적 및 시각화 시스템 구축: BoT-SORT 기반 사람 추적 로직 구현 및 PyQt 기반 시각화 시스템 개발
- 지원 환경: 실내/실외 CCTV 영상 환경, Python 기반 Computer Vision 환경, PyQt 기반 Desktop UI
주요 업무
- 매장 방문객 특성 분석: 실내 CCTV를 활용하여 방문객의 얼굴 탐지, 성별 및 연령대 예측, 매장 내 동선 파악 기능.
- 외부 유동 인구 분석: 실외 CCTV 영상을 기반으로 외부 유동 인구수를 실시간으로 수집하고 분석.
- 고도화된 객체 추적: BoT-SORT 알고리즘을 적용하여 프레임 간 사람 객체를 안정적으로 추적하고 개별 동선 데이터를 확보.
- 분석 결과 시각화: PyQt를 활용하여 탐지된 얼굴, 성별/연령대 예측 결과 및 추적된 동선을 사용자에게 시각적으로 제공.
- 데이터셋 품질 개선: Weighted Random Sampler와 Focal Loss를 적용하여 편향된 연령대 데이터셋 문제를 해결하고 모델 커버리지(성능) 향상.
주안점
- 상업적 가치 데이터 확보: 단순 방문객 인식에 그치지 않고, 매장 운영에 실질적인 도움이 되는 성별/연령대와 외부 유동 인구수 등 상업적으로 가치 있는 데이터를 수집하는 시스템 구축에 중점.
- 데이터 불균형 문제 해결: 실제 현장 데이터의 고질적인 문제인 연령대 레이블 편향 문제를 해결하기 위해 Weighted Random Sampler 및 Focal Loss를 적용하여 모델 성능과 일반화 능력을 향상시키는 것에 집중.
- 실시간 객체 추적 안정성: 사람의 잦은 가려짐이나 움직임에도 개별 방문객을 안정적으로 추적하여 정확한 동선 분석 데이터를 제공하도록 BoT-SORT 알고리즘 구현에 집중.
- 기술적 한계 인식 및 대안 제시: 장기 목표인 Multi-View Object Tracking 구현의 기술적 난이도와 서버 구축의 한계를 인식하고, 단기적으로 단일 시점 추적 기술을 완성도 높게 구현하는 데 집중.
