AI
배송 완료 사진 속 객체 탐지를 통한 수기 검수 비용 줄이기
두줄요약
배송 완료 사진에서 퍼플 박스·종이봉투·비닐 상태를 탐지해 수기 검수를 자동화했습니다. 데이터 중심 라벨 개선과 재학습으로 검수 필요 건을 99.8% 줄였습니다.
문제 상황
- 배송 완료 사진 기반 퍼플 박스·종이봉투 사용 여부 수기 검수 비용과 신선도 저하 위험
- 두 객체가 없는 배송 사례의 빠른 확인과 운영 조치 필요
해결 방법
- YOLOv11 기반 객체 탐지로 퍼플 박스·종이봉투·비닐 상태 배송 자동 식별
- 가짜 라벨 생성, 검증자 이진 판정, 오답 바운딩 박스 수정, 재학습 반복의 데이터 엔진 적용
- 배송 유형이 모두 탐지되지 않은 사례만 운영자 검수 대상으로 선별
성능/운영 포인트
- 퍼플 박스 모델 fine-tuning 후 precision 0.9992, recall 0.9792 달성
- 종이봉투 모델 개선 후 precision 0.9694, recall 0.9258 달성
- 가짜 라벨 직접 수정 비율 6~7% 수준, 수기 검수 필요 건 99.8% 감소
주의할 점
- 초기 모델 성능과 객체 난이도에 따라 라벨링 개선 주기 및 비용 증가 가능성
- 높은 objectness score 기반 필터링 시 고신뢰 오탐의 라벨 품질 개선 누락 위험
- 수동 라벨 전달 과정을 MLOps 관점에서 자동화할 필요
