Image Source: Generated by Nano Banana"AI 정확도가 100%가 아니면 현업에서 못 쓰는 거 아니에요?"라는 질문을 받았다. 답은 "아니다"였다.들어가며의류 반품 검수 현장은 생각보다 복잡하다.하루 반품량: 5,000벌검수 항목: 오염, 찢어짐, 변색, 보풀, 단추 이탈 등 12가지작업자 1명당 처리량: 200벌/일소요 시간: 1벌당 평균 2분문제는 검수 품질이다. 사람이 하루 종일 옷을 보면 집중력이 떨어진다. 저녁 6시쯤 되면 오탐률이 30%까지 치솟는다."AI로 자동화하면 되지 않나요?"시도해봤다. YOLOv8 기반 불량 검출 모델을 만들어서 파일럿 테스트를 돌렸다.결과:- mAP50: 0.83 (83%)- Precision: 0.79- Recall: 0.8583%면 ..

의류 검수 AI 시스템을 설계하면서 깨달은 Object Detection 모델 선택의 기준들어가며"객체 탐지? 그럼 YOLO지."솔직히 이게 그동안 내 접근 방식이었다. 차량 번호판 인식 프로젝트에서 YOLO를 써본 이후로, Object Detection이 필요하면 자연스럽게 YOLO를 꺼내 들었다. 빠르고, 정확하고, 레퍼런스도 많으니까.그런데 최근 의류 품질 검수 AI 시스템을 설계하면서 생각이 바뀌었다. 이 글에서는 왜 YOLO 대신 RT-DETR을 선택했는지, 그 과정에서 알게 된 두 모델의 근본적인 차이를 정리해보려 한다.과거 경험: 번호판 인식에서의 YOLO이전에 차량 번호판 인식 시스템을 개발한 적이 있다. 당시 YOLO를 선택했고, 결과는 대만족이었다.번호판 인식은 "쉬운" 문제다번호판 검..