이 포트폴리오는 데스크톱 가로 화면 환경에 최적화된 화면으로 구성했습니다. 비율을 적당히 조절해서 보시면 최적의 화면에서 보실 수 있습니다.

AI / Data Analysis, 권길현

<aside>

느리게 시작하더라도 쉽게 무너지지 않는 기반을 중요하게 생각하는 개발자, 권길현입니다.

운동선수로 활동하며 팀 안에서 끝까지 함께 뛰는 법을 배웠고, 개발자가 된 뒤에는 기초를 튼튼히 다지고 그 위에 결과를 쌓아가는 태도를 키워왔습니다.

처음에는 느리더라도, 결국 더 높이 쌓기 위해 기반을 단단히 만드는 편입니다.

저는 낯선 영역을 익히는 데서 멈추지 않고, 문제의 구조를 이해하고 팀의 방향을 정리하며 실제 결과로 이어지는 기여를 만들어갑니다.

</aside>

Profile

Phone. 010-9465-2546

Mail. [email protected]

School. 부산SW마이스터고등학교 재학 중

Socials

Linkedin. https://www.linkedin.com/in/%EA%B8%B8%ED%98%84-%EA%B6%8C-a44978379/

Github. https://github.com/Hyun731

Velog. https://velog.io/@hyun_731/posts

Main Project 1

K-ICT DCC 예선 작품

Data Analysis & AI 4명

#K-ICT 데이터+AI 크리에이터 캠프 예선작

고등부 예선 2026.08.~ 2026.10.

사용한 기술

PyTorch ResNet18 ultralytics YOLOv11n

Github

https://github.com/Hyun731/surface_model

기여한 부분

전체 파이프라인 설계와 모델 개발 담당

Introduce

목자판 기반 수위 예측 모델

이번 캠프의 문제는 수위표(목자판)가 찍힌 이미지 한 장으로 실제 수위(m)를 예측하는 모델을 학습 및 가평이였습니다.

AI-Hub 수위 측정 데이터(308,085장)를 사용했고, 목자판 종류와 방해물이 다양해 한 번의 검출만으로는 풀기 어려운 문제였습니다.

개발 과정에서 가장 오래 고민한 것은 모델 성능보다 이 점수를 믿을 수 있는가 였습니다. 비슷한 사진이 많은 데이터, 오타가 섞인 정답 라벨, 한 장면이 점수를 좌우하는 문제를 하나씩 확인하며 해결했습니다.

Develop

<aside> 🛠

검출 + 숫자 읽기 + 수위 계산의 3단계 파이프라인

이번 프로젝트에서 저는 전체 파이프라인 설계와 모델 개발을 담당했습니다.

수위를 직접 회귀하지 않고 목자판의 눈금을 읽어 계산하는 방식을 선택했습니다. 오차 분석에서 수위 오차의 대부분이 cm가 아니라 m 숫자 오탐지에서 나온다는 것을 확인했고, 검출과 숫자 읽기를 분리하면 원인을 따로 볼 수 있다고 판단했습니다.

1. YOLO11n 검출: 수면, 목자판, cm 숫자, m 숫자 박스를 찾습니다.
2. 숫자 읽기 분류기(ResNet18): m 박스를 잘라 몇 m인지 읽습니다. 박스가 어긋나도 읽도록 박스 흔들기 증강을 적용했습니다.
3. 수위 계산 공식: 수면 근처 숫자 6개로 국소 선형 회귀 후 0.1 m 격자로 내림합니다. 원근 왜곡은 국소 회귀로 흡수했습니다.

최종 결과는 계산 성공률 99.5%, RMSE 0.672 m, ±0.1 m 이내 94.5% 입니다. (test 30,808장, YOLO val mAP50 0.963)

</aside>

<aside> 🚨

트러블 슈팅 - 비슷한 사진이 많은 데이터의 분할

As-Is (문제 상황)

• 좌표가 완전히 같은 이미지가 39% 였습니다. 무작위로 나누면 train과의 유사도 0.95 초과 비율이 99.6%여서, test가 사실상 train의 복사본이 됩니다. → 데이터 누수
• 목자판 좌표로 묶는 방법도 촬영 위치가 연속적으로 변해 대부분이 한 그룹이 되어 쓸 수 없었습니다.

To-Be (개선 및 결과)

• 이미지 임베딩으로 같은 장면을 군집화해 장면 단위로 8:1:1 분할했습니다. test의 유사도 0.95 초과 비율이 99.6%에서 0.2%로 내려갔습니다.
• 공식 파라미터는 분할을 먼저 확정한 뒤 train에서만 탐색해, test 정답이 튜닝에 쓰이지 않도록 했습니다. 근접 중복을 제외한 점수도 함께 보고해 중복이 점수를 부풀리지 않았음을 확인했습니다. (RMSE 0.672 / 0.637) </aside>

<aside> 🚨

트러블 슈팅 - m 숫자 오독 (12m → 2m)

As-Is (문제 상황)

• 초기 모델은 미터 표기를 0m~20m의 21개 클래스로 직접 검출하도록 설계했습니다. 그러나 목자판 종류마다 숫자의 글꼴과 형태가 다르고, 장면 단위로 데이터를 분리하면서 학습에서 충분히 보지 못한 숫자·목자판 조합에 대한 일반화 성능이 떨어졌습니다.

• 혼동 행렬 분석 결과, **12m를 2m로 오독하는 비율이 88%**였습니다. 실제 이미지를 확인하니 YOLO가 검출한 박스에서 왼쪽 숫자 1이 잘리고 2만 남아 있었습니다. 특히 두 자리 숫자를 한 클래스로 검출하는 방식에서는 박스 위치가 조금만 어긋나도 미터 값 전체가 바뀌었습니다.

  

  

• 미터 값이 잘못되면 이후 눈금 계산의 기준점 자체가 바뀌기 때문에, 최종 수위가 수 m 이상 차이 나는 주요 원인이 됐습니다.

To-Be (개선 및 결과)

• 12m, 13m 등을 각각 별도 클래스로 검출하는 대신, 미터 표기의 위치를 찾는 단계와 실제 숫자를 읽는 단계를 분리했습니다. 검출 모델이 숫자의 위치를 찾고, 별도의 ResNet18 분류기가 잘라낸 영역에서 미터 값을 판별하도록 변경했습니다.
• 실제 오답 이미지를 분석해 박스가 왼쪽 숫자를 잘라내는 문제가 핵심임을 확인했습니다. 이에 학습 이미지의 박스 위치와 크기를 흔드는 증강을 적용하고, 왼쪽 숫자가 잘리지 않도록 왼쪽 영역을 넓게 포함하는 방식으로 학습 데이터를 구성했습니다.
• 동일한 정답 위치에서 숫자 읽기 성능을 비교한 결과, 기존 YOLO의 미터 표기 정확도는 **56.0%**였지만 별도 분류기는 **87.2%**를 기록했습니다. 특히 12m 인식률은 YOLO의 3.1%에서 분류기의 97.7%로 개선됐습니다. </aside>

Main Project 2

줍고(JubGo)

Data Analysis 1명 AI 1명 UX/UI 1명 Backend 1명 App 1명

#동계 해커톤 최우수상🥇

2025년 동계 해커톤 2025.12.~ 2025.12.

사용한 기술

Tensorflow.js ultralytics YOLOv11n

Github

https://github.com/Hyun731/TrashDetection-YOLOv11n-

기여한 부분

YOLOv11n 모델 파인튜닝 모델 모바일 환경 최적화 모델 성능 가평 AIHub/Kaggle 데이터 분석 및 전처리 수행

Main Project 3

Skills

Sub Project

프로젝트