단계 9 — YOLO 객체 감지 (심화)

차시 3차시 · 선수 학습 단계 8

이번 단계 목표 사전학습된 YOLO 모델로 신호등·보행자를 인식하고, 자율주행에 안전 로직을 통합한다.

1. 학습 목표

2. 이론

2-1. 객체 감지란?

작업	출력
분류(Classification)	"이 그림은 고양이"
객체 감지(Detection)	"이 그림의 (x=100, y=50, w=80, h=120) 영역에 고양이"
분할(Segmentation)	"이 그림에서 고양이 픽셀 마스크"

자율주행에는 객체 감지가 핵심입니다. "어디에 무엇이 있는지" 알아야 충돌을 피합니다.

2-2. YOLO

YOLO(You Only Look Once): 영상을 한 번만 처리해 모든 객체의 클래스와 위치를 동시에 출력하는 모델 계열.

본 프로젝트는 YOLOv8n (n = nano, 가장 작은 버전)을 사용:

• 모델 크기: 약 6MB
• 노트북에서 초당 10~30 프레임 처리 가능
• 80가지 일반 객체 인식 (COCO 데이터셋 학습)

2-3. 사전학습 모델

직접 학습 없이 사전학습된 가중치를 다운로드해 바로 사용:

from ultralytics import YOLO
model = YOLO('yolov8n.pt')  # 첫 실행 시 자동 다운로드 (약 6MB)

results = model(frame)
for box in results[0].boxes:
    cls  = int(box.cls)         # 클래스 ID
    conf = float(box.conf)      # 신뢰도 (0~1)
    x1, y1, x2, y2 = box.xyxy[0]  # 좌상-우하 좌표

2-4. 자율주행 안전 로직

python/object_detector.py는 다음 규칙을 적용:

감지 객체	동작
빨간 신호등	즉시 정지
정지 표지판	정지
보행자(가까움)	즉시 정지
자전거·오토바이	정지
차량(가까움)	50% 감속
차량(멀음)	70% 속도

if detection['red_light'] or detection['stop_sign']:
    speed = 0
elif detection['person'] or detection['bicycle']:
    speed = 0
elif detection['vehicle']:
    if detection['vehicle_distance'] == 'near':
        speed = base_speed * 0.5
    else:
        speed = base_speed * 0.7
else:
    speed = base_speed

2-5. 신호등은 왜 어려운가?

• COCO 데이터셋의 'traffic light'는 빨강/노랑/초록 색을 구분하지 않음
• 그래서 YOLO로 신호등 영역을 찾고 → HSV로 색을 추가 판단
• 또는 신호등 특화 모델(traffic_light.pt)을 별도로 학습/다운로드

3. 활동

활동 8-A: 첫 YOLO 추론 ⭐ Easy

pip install ultralytics

from ultralytics import YOLO
import cv2

model = YOLO('yolov8n.pt')

img = cv2.imread('test.jpg')
results = model(img)

# 결과 시각화
annotated = results[0].plot()
cv2.imshow('YOLO', annotated)
cv2.waitKey(0)

미션

• 본인 노트북에 있는 사진 3장에 YOLO를 돌려 결과 확인
• 어떤 객체가 정확히 감지되고, 어떤 것은 놓치는지 관찰

활동 8-B: 통합 자율주행 ⭐⭐ Standard

학생용 프로그램 단계9_미니자율주행.py를 실행:

1. 차선 추종 + YOLO 객체 감지 통합
2. 보행자 인형 또는 종이 사람 인쇄물을 차선 위에 두면 차량이 정지하는지 확인

관찰

• YOLO를 켜면 FPS가 어떻게 변하는가?
• y/u 키로 실행 주기를 조절했을 때 정확도/속도 트레이드오프는?

활동 8-C: 모델 한계 탐구 ⭐⭐⭐ Challenge

YOLO가 잘 못하는 상황을 찾아보자.

시나리오	결과 (잘 됨/못 됨)	원인 추정
어두운 곳의 보행자
옆모습만 보이는 사람
부분적으로 가려진 차량
그림자 속 정지 표지판

고찰

• 실제 자율주행차가 사고를 내는 상황과 어떻게 연결되는가?
• 본 모델을 어떻게 개선하면 좋을까? (데이터 추가, 모델 크기 증가, 센서 다중화 등)

4. 학급 토론 — T 역량 활동

5. 최종 시연·발표회

6. 핵심 개념 정리

개념	설명
객체 감지	영상에서 객체의 클래스+위치 추출
YOLO	한 번의 추론으로 모든 객체 감지
사전학습	미리 학습된 가중치를 그대로 사용
신뢰도(confidence)	모델이 그 결과를 얼마나 확신하는지
안전 로직	감지 결과에 따라 차량 동작 결정
자율주행 윤리	책임·딜레마·이동권·일자리 문제

7. 자기평가

항목	1	2	3	4	5
YOLO를 이용해 객체를 감지할 수 있다
객체 감지를 안전 로직에 연결할 수 있다
자율주행의 사회적 함의에 대해 의견을 가진다
최종 발표에 적극적으로 기여했다

8. 더 나아가기

• TurtleBot, Donkey Car: 다음 단계의 자율주행 학습 플랫폼
• CARLA, AirSim: 자율주행 시뮬레이터
• Coursera/Udacity: Self-Driving Car Nanodegree
• Roboflow: 본인의 데이터로 YOLO 모델 학습하기