• 날짜: 2026년 3월 18일 (수)
• 이름: 천지연
• 팀명: Health Eat 5팀

맡은 역할과 수행한 작업

<aside>

프로젝트 PM이자 파이프라인 총괄로서 모델 방향성 확정 회의를 주도하고, YOLOv11 기반의 전체 학습 및 추론 파이프라인을 최종 통합하는 작업을 수행했습니다.

1. 모델 노선 확정 및 일정 관리: 오전 회의를 통해 베이스라인 모델을 Ultralytics YOLOv11로 최종 확정했습니다. 또한, 작업 지연 방지를 위해 노션 대시보드에 각자의 데일리 마감 시간을 등록하고 지연 시 즉각 공유하는 룰을 협의했습니다.
2. End-to-End 파이프라인 구축 (PR #16) : 팀원들이 작성한 모듈을 하나로 엮어, 학습부터 가중치 저장, 추론, 그리고 Kaggle 제출용 파일 생성까지의 전체 파이프라인 코드를 완성했습니다.

https://github.com/Daybreak53/HealthEat-Pill-Detection/pull/16

1. 디렉토리 구조 및 설정 리팩토링: 모델 교체나 하이퍼파라미터 변경 시 코드 수정 없이 config.yaml에서 일괄 관리되도록 디렉토리 구조와 설정 파일을 개선하고, 팀원들의 코드를 리팩토링 했습니다.
2. 팀원 코드 리뷰 및 Git 코칭: 팀원들의 PR을 검토하고, Git 브랜치 활용법, PR 승인 방법, W&B API 키 보안 관리에 대해 실시간으로 코칭했습니다. </aside>

오늘 작업 완료도 체크

🟢 100% (완료 및 점검까지 완료)

<aside>

당초 목표였던 파이프라인 연결을 성공적으로 마쳤으며, 최종 통합된 코드로 실험을 진행하여 wandb에 정상적으로 로깅되고 Kaggle 제출용 파일이 정상적으로 생성되는 것까지 점검을 완료했습니다.

</aside>

오늘 협업 중 제안하거나 피드백한 내용

<aside>

• 코드 통합 관련 피드백 (PR 코멘트) : 최종 코드 병합 시, 팀원들에게 각자의 코드가 어떻게 반영되었는지(또는 왜 반영되지 못했는지) 상세히 설명했습니다. 예를 들어 전처리 코드의 경우, 객체 탐지용이 아닌 이미지 분류용으로 작성된 것을 발견하여, 우선 기본 전처리 코드로 대체했음을 알리고 추후 튜닝 방향을 개별적으로 멘션하여 피드백했습니다.
• 전체 프로세스에 대한 질의응답 : 아직도 협업 방식, 모델 학습 프로세스, 딥러닝 또는 Git 관련 개념에 대해 혼동하고 계신 팀원분들이 많아 마지막 2시간 동안은 제가 되도록 쉽게 풀어서 다시 한번 전체 프로세스를 설명드렸고 바로바로 이해가 가지 않거나 어려운 부분에 대한 질문을 받았습니다. </aside>

오늘 분석/실험 중 얻은 인사이트나 발견한 문제점

<aside>

• 모델 프레임워크와 데이터 포맷의 강결합 문제: YOLO 프레임워크는 내부적으로 전처리와 학습 루프가 고도화되어 있어 성능과 속도가 뛰어나지만, 반드시 모델이 요구하는 특정 디렉토리 구조와 라벨 형식(dataset.yaml, .txt 포맷)을 지켜야 했습니다. 이로 인해 팀원들이 각자 짠 전처리 로직을 바로 붙이지 못하고 포맷 변환이라는 추가 병목이 발생했습니다.

  이를 통해 다시 한번 팀원분들에게 공식 문서를 읽어보실 것을 당부드렸고, 해당 모델이 요구하는 Input 포맷을 팀원 전체가 정확히 이해하고 전처리 및 모델링을 시작해야 함을 느꼈습니다.

</aside>

일정 지연이나 협업 중 어려웠던 점

<aside>

오후 3시를 데드라인으로 잡았으나, 일부 팀원들의 전처리 로직에서 에러(클래스 불균형 처리, bbox 비율 등)가 발생하거나 Github 사용법(Approve 버튼 위치 찾기, Colab 경로 꼬임 등)에 익숙하지 않아 코드 통합이 약 3시간가량 지연되었습니다. 때문에 정규 수업시간에는 통합 코드를 완성하지 못하였습니다. 내일은 꼭 Kaggle 제출까지 진행해보고 싶었기 때문에, 정규 수업시간 이후 제 개인적인 시간을 투자하여, 코드 병합을 마저 진행하였고 최종 실험까지 무사히 마친 후 팀원들에게 PR로 공유하였습니다.

</aside>