2026년 3월 26일 (목)

맡은 역할과 수행한 작업

<aside>

프로젝트 PM으로서 중간 발표를 성공적으로 리드하고, 타 팀의 발표를 분석하여 프로젝트 후반부 고도화 전략을 도출 및 역할 분담을 주도했습니다.

중간 발표 리드 및 리허설 : 오전 11시와 오후 1시에 Zep에서 실제 환경과 동일하게 중간 발표 리허설을 진행했습니다. 발표자들의 마이크 볼륨 이슈를 체크하고, 화면 정렬 문제(차트 정렬)를 해결하여 본 발표를 매끄럽게 이끌었습니다.
타 팀 발표 분석 기반 전략 수립 : 타 팀 발표에서 확인한 RT-DETR 모델, WBF(Weighted Boxes Fusion) 앙상블 기법, 인페인팅, 가우시안 노이즈 등의 전략이 이전에 정리하여 팀에 공유했던 최적화 전략과 어느정도 일치하는 것을 확인하였고, 우리 팀 프로젝트에 맞게 변형하여 도입할 것을 제안했습니다. 오후 4시 전략 회의에서 이를 바탕으로 후반부 역할 분담을 주도적으로 배분했습니다.
추가 데이터(경구약제조합) 파이프라인 확장 : 가이드라인에서 제한적으로 허용한 '경구약제조합' 데이터 중, 우리 모델이 타겟으로 하는 56개 클래스만 포함된 330장의 이미지를 필터링하여 팀의 Kaggle 데이터셋에 성공적으로 추가했습니다. </aside>

오늘 작업 완료도 체크

🟢 100% (완료 및 점검까지 완료)

<aside>

리허설을 거쳐 중간 발표를 성공적으로 마쳤고, 발표 직후 타 팀의 인사이트를 반영한 명확한 R&R(앙상블, WBF, 데이터 추가)을 분배하여 후반부 튜닝의 기틀을 다졌습니다.

</aside>

오늘 협업 중 제안하거나 피드백한 내용

<aside>

리허설 피드백 : 발표자들의 대본 내용과 소리 크기 등을 다시 한번 체크하였고, 15분 안에 모든 발표를 마쳤는지 확인 후 공유하였습니다.
전략 회의 주도 : 중간 발표 직후인 오후 4시에 전략 회의를 주최하여 다음과 같이 후반부 역할을 제안하고 분배했습니다.
- 김범수 : RT-DETR v4 테스트
- 양기우 : YOLOv26 모델 테스트
- 신희정 : OpenCV 기반 인페인팅 및 BBox 이상치 처리
- 박채빈 : WBF 앙상블 알고리즘 구현
- 본인(천지연) : 추가 데이터 필터링 및 평가 지표(mAP@[0.75:0.95]) 출력 추가
RT-DETR 모델 학습 실패 원인 분석 : 범수님이 공유한 RT-DETR 베이스라인 실험 결과(mAP50-95: 0.034)가 비정상적으로 낮은 이유를 분석하여, 모델 특성상 적은 수의 기존 Train 이미지(약 200장)로 20 epoch만 돌려서 학습이 어려웠던 것 같다고 의견을 드렸습니다. 이에 제가 가공한 추가 데이터를 더해 제가 직접 RT-DETR 모델로 실험을 진행해보았을 때 실험이 정상 궤도에 오르는 것을 확인하였습니다. </aside>

오늘 분석/실험 중 얻은 인사이트나 발견한 문제점

<aside>

Label Smoothing의 역효과 : 채빈님의 실험 결과, 특정 클래스의 성능 저하를 막기 위해 도입했던 라벨 스무딩을 오히려 제거했을 때 mAP50-95가 0.9884로 매우 미세하게 상승하고 리더보드 점수도 0.97329로 상승함을 확인했습니다. 이는 클래스 간의 특징(모양, 색상)이 명확한 알약 도메인에서는 라벨 스무딩이 오히려 클래스 간 경계를 모호하게 만들 수 있다는 점을 시사합니다.
최신 모델(Transformer)의 데이터 의존성 : 객체 탐지 분야의 SOTA 모델인 RT-DETR을 적용해 보았으나, 적은 데이터셋 환경에서는 YOLOv11(CNN 기반)보다 훨씬 낮은 성능을 보였습니다. </aside>

일정 지연이나 협업 중 어려웠던 점

<aside>

중간 발표 리허설 중 마이크 볼륨 문제와 화면 공유 시 Zep 플랫폼의 UI 정렬 이슈가 발생해 약간의 혼선이 있었으나, 팀원들과의 빠른 소통과 재정렬 버튼 활용, 마이크 위치 조정 등으로 실제 발표 전까지 해결했습니다.

</aside>