[화성] Edge AI 인파 밀집 인식 모델 개발

축제·행사장 인파 밀집 사고를 사전 감지하는 Edge AI 관제 플랫폼의 비전 인식 엔진을 함께 만들 ML 엔지니어를 찾습니다. CCTV 프레임을 입력받아 구역별 인원수·㎡당 밀집도·위험도를 실시간 산출하고, 이를 Jetson 엣지 디바이스에 이식하는 것이 3개월 핵심 미션입니다. 1. 자격 요건 (필수) - Python·PyTorch 기반 CV/딥러닝 모델 개발·학습 실무 경험 - 객체탐지(YOLO 계열) 또는 군중 계수/밀도 추정(Crowd Counting) 모델 학습 경험 - 데이터셋 구축·라벨링·성능평가(MAE/MSE 등) 파이프라인을 스스로 굴려본 경험 - Git 기반 협업, 재현 가능한 실험 관리(시드 고정·환경 격리)에 대한 감각 2. 우대 사항 - Jetson·TensorRT·ONNX 등 엣지 추론 최적화(경량화·양자화) 경험 - 저조도/야간 영상 화질 개선(Zero-DCE, RetinexNet 계열) 경험: 야간 축제 계수 정확도 유지에 활용 - SAHI(슬라이싱 추론)·ByteTrack(다중 객체 추적) 사용 경험 - MLflow·DVC 기반 MLOps 파이프라인 구축 경험 - 컨테이너(Docker) 기반 추론 서비스 패키징·배포 경험 - 공공안전·스마트시티·CCTV 영상분석 도메인 경험 3. 산출물 (인수 기준) - 학습 가중치: 인파 계수·밀집도 모델 .pt + Jetson 추론 엔진 .engine, 재현 가능(MLflow/DVC 기록) - 추론 서비스: 프레임 입력 → 구역별 count·density 표준 JSON 출력 (컨테이너 이미지로 제공) - 위험도 4단계 산출 로직: count·density·증가율·병목 → 위험도(정상·주의·경계·심각) - 문서·재현 자료: 출력 스키마 정의 + 샘플 JSON + 재현 실행법(README) + 성능 리포트(계수 정확도·추론 응답시간) 1. 인파 계수·밀집도 산출 모델 개발 (최우선) - 객체탐지(YOLO11) + 밀도맵/포인트(P2PNet 계열) 하이브리드 파이프라인 설계 ㄴ저밀도(평시) 구역 → 탐지 기반 / 고밀도·병목 구역 → 밀도맵 기반 - 다구역·주야간 인파 영상 학습 데이터셋 구축(구역·밀집 수준 라벨링) 및 학습·평가 - 구역별 인원 수 + ㎡당 밀집도 정량 산출 (행안부 밀집도 통제 기준 3~4명/㎡ 주의, 5명/㎡↑ 위험) 2. 위험도 4단계 예측 엔진 - 인원 수·밀집도·증가율·병목 여부를 결합해 위험도 4단계(정상·주의·경계·심각) 산출 - 단계별 임계값·대응 시나리오 파라미터화 (하드코딩 금지, configs/ 기반) 3. Jetson TensorRT 이식·최적화 - ONNX export → TensorRT 엔진 변환 - Jetson Orin Nano (Super) 엣지 디바이스에서 실시간 추론 성능·정확도 확보 (공통) MLOps·재현성 - MLflow 실험 추적 + DVC 데이터·파이프라인 버전 관리 - 오경보·미탐 사례를 재학습 데이터로 환류하는 개선 루프 설계 프로젝트명: 소형 AI 데이터센터 기반 행사 인파 관리 및 지능형 안전 관제 담당 영역: 비전 인식부 (프레임 입력 → count·density·위험도 출력) 진행 상황: Jetson 기기 수령