※ 본 썸네일은 나노바나나 AI를 통해 생성된 합성 데이터입니다."손상된 옷 이미지가 100장밖에 없는데, 어떻게 학습시키지?"들어가며의류 품질 검사 AI 프로젝트를 진행하면서 만난 현실적인 문제다.데이터 현황:- 정상 의류: 10,000장- 손상 의류: 100장- 오염 의류: 50장문제: 극심한 클래스 불균형팀 회의에서 나온 해결책들:A: "회전시키고 노이즈 주면 되지 않나요?"B: "나노바나나로 생성하면 되잖아요."C: "그냥 복사해서 늘리면 안 돼요?"다들 맞는 말인데, 정확한 용어를 몰라서 소통이 어려웠다.오늘은 AI 데이터 처리에서 가장 헷갈리는 3가지 개념을 정리한다.핵심 용어 3가지1. Data Augmentation (데이터 증강)정의:기존 데이터를 "변형"해서 다양성을 늘리는 기법핵심:❌..

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..