파이프라인을 망가뜨리지 않고 매일 7,500개의 제품 이미지를 처리하는 방법

이커머스 (eCommerce) 이미지 편집을 대규모로 일관되게 유지하는 기술적 워크플로우(workflow)의 뒷이야기 — 그리고 완전 자동화를 시도할 때 무엇이 문제를 일으키는지에 대하여.

우리는 매일 7,500개 이상의 제품 이미지를 처리합니다.

이 정도의 규모로 운영할 때는 2%의 오류율만 발생해도 고객의 Amazon 리스팅, Shopify 스토어, 그리고 제품 카탈로그로 150개의 잘못된 이미지가 전달된다는 것을 의미합니다. 이 정도 규모에서 2%의 오류율은 단순한 반올림 오차가 아니라 비즈니스 문제입니다.

이 포스트는 해당 규모를 안정적으로 처리하는 파이프라인을 구축하며 우리가 배운 것들 — 잘 자동화된 부분, 그렇지 못한 부분, 그리고 차이를 만들어낸 구체적인 기술적 결정들에 대해 다룹니다.

만약 당신이 이커머스 이미지 처리 워크플로우를 구축하는 개발자이거나, 제품 사진 운영의 확장(scale) 방법을 고민하는 기술 창업자라면, 이 분석은 제가 예전에 알았더라면 좋았을 내용입니다.

완전 자동화된 이미지 처리의 핵심 문제

이미지 처리 파이프라인을 구축하는 모든 개발자는 동일한 과정을 거칩니다.

1단계: "AI 배경 제거 (background removal)는 정말 놀랍군요. 모든 것을 자동화하겠습니다."

2단계: "왜 출력물의 30%가 Amazon에서 거부되는 거죠?"

3단계: "왜 고객의 반품률이 높아지고 있는 거죠?"

4단계: "다시 사람의 검토 (human review)를 추가해야겠어요. 하지만 어디에?"

문제는 AI 이미지 처리가 나쁘다는 것이 아닙니다. 자동으로 감지하기 어려운 방식으로 일관성이 없다는 것이 문제입니다. 그리고 가장 중요한 실패는 썸네일(thumbnail) 해상도에서는 괜찮아 보이지만, 1:1 확대 시 실패하거나 RGB 검증(verification)에서 실패하는 경우입니다.

단순한 자동화 파이프라인이 놓치는 부분은 다음과 같습니다:

# 개발자들이 생각하는 배경 제거의 작동 방식:
result = ai_remove_background(image)
# 반환값: 투명한 배경 위의 깨끗한 제품
...

이러한 실패 사례들은 썸네일에서는 보이지 않습니다. 하지만 고객이 Amazon 리스팅을 확대하면 모두 드러납니다. 그중 일부는 Amazon의 자동 이미지 준수(compliance) 거부 사유를 발생시킵니다.

실제로 작동하는 아키텍처 (Architecture)

수많은 반복(iteration) 과정을 거친 끝에, 우리의 파이프라인은 다음과 같은 형태를 갖추게 되었습니다.

INPUT
  └── 클라이언트 배치 업로드 (RAW/JPEG/TIFF)

...

핵심 통찰은 **2단계: 복잡도 분류 (Complexity Classification)**에 있습니다. 이는 제품을 자동 처리할지 아니면 사람이 직접 처리할지를 결정하는 의사결정 지점입니다. 이 단계를 제대로 수행하느냐가 품질 98%의 파이프라인과 품질 70%의 파이프라인을 가르는 차이점입니다.

복잡도 분류기 (Complexity Classifier) 구축하기

분류기는 휴리스틱 (heuristics)과 학습된 모델 (trained model)을 결합하여 이미지를 라우팅합니다.

def classify_complexity(image_path, metadata):
    img = load_image(image_path)

...

우리는 순수하게 이미지 분석만으로 시작했으나, 우리가 가장 자주 접하는 카테고리에서는 메타데이터 규칙 (metadata rules)이 훨씬 더 뛰어난 성능을 보인다는 것을 발견했습니다. 주얼리 (Jewelry)는 언제나 복잡합니다. 단호하게 말씀드리자면, 흰색 배경 위의 금색 체인을 안정적으로 처리할 수 있는 에지 검출 (edge detection) 알고리즘은 없습니다. 금빛을 받는 체인과 약간 따뜻한 느낌의 흰색 사이의 색상 유사성 때문에 AI는 지속적인 실패를 겪습니다.

모두가 건너뛰는 RGB 검증 단계

Amazon은 배경 RGB 값이 정확히 255, 255, 255여야 한다고 요구합니다. 253, 254, 254도 안 됩니다. 250, 252, 255도 안 됩니다. 정확히 255여야 합니다.

문제는 AI 배경 제거 도구들이 화면상으로는 흰색으로 보이지만 실제 RGB 검사에서는 통과하지 못하는 배경을 빈번하게 생성한다는 점입니다. RGB 248, 250, 248 배경은 일반적인 모니터 밝기에서는 흰색으로 보입니다. 하지만 이는 리스팅 거부(rejection)를 유발합니다.

def verify_background_compliance(image_path, sample_points=50):
    """
    여러 배경 지점을 샘플링하고 다음 사항을 검증합니다
...

이 과정은 이미지가 파이프라인을 떠나기 전 모든 이미지에 대해 실행됩니다. 간단하고 빠르며, Amazon 거부의 가장 흔한 원인을 잡아냅니다.

고스트 마네킹 합성 (Ghost Mannequin Compositing) — 자동화가 실패하는 이유

고스트 마네킹 (Ghost mannequin, 속이 빈 마네킹)은 패션 이커머스 (eCommerce)에서 가장 요청이 많은 서비스 중 하나입니다. 마네킹에 의류를 입혀 촬영한 후, 마네킹을 제거하여 의류가 입체적이고 스스로 형태를 유지하는 것처럼 보이게 만드는 작업입니다.

이를 제대로 자동화하려는 모든 시도는 실패했습니다. 세그멘테이션 (Segmentation) 모델을 사용한 저희의 자체 실험을 포함해서 말이죠. 그 이유는 다음과 같습니다:

고스트 마네킹 (Ghost mannequin) 문제는 다음을 요구합니다:
1. 마네킹으로부터 의류를 분리하는 세그멘테이션 (AI로 어느 정도 해결 가능)
2. 마네킹 몸체에 의해 가려진 의류 영역이 어디인지 식별하는 것 (해결 불가능)
...

2단계가 걸림돌입니다. AI 모델은 마네킹 목이 있던 자리에 틈이 있다는 것은 식별할 수 있습니다. 하지만 외부 촬영 사진만으로는 내부 칼라 (Collar)나 네크라인 (Neckline)이 어떻게 생겼는지 신뢰할 수 있게 재구성할 수는 없습니다.

자동화 시도의 결과는 다음과 같습니다: 네크라인이 부자연스럽거나, 원단이 제대로 맞물리지 않거나, 실제 의류와 일치하지 않는 방식으로 내부 디테일이 환각 (Hallucination)된 합성 이미지들이 만들어집니다.

Amazon에 제품을 등록하거나 유료 광고를 집행하는 패션 브랜드에게, 스웨터 사진의 잘못된 네크라인은 전환율을 떨어뜨리는 요소이자 브랜드 신뢰도 문제로 직결됩니다.

이것이 바로 대규모 고스트 마네킹 서비스 (ghost mannequin service)에 여전히 인간 합성 편집자가 필요한 이유입니다. AI가 신뢰성 있게 처리할 수 없는 단계가 바로 최종 이미지에서 가장 눈에 띄는 부분이기 때문입니다.

수출 파이프라인 (Export Pipeline) — 코드로서의 플랫폼별 요구사항

이커머스 이미지 처리에서 가장 지루한 부분 중 하나는 플랫폼별 수출 요구사항을 관리하는 것입니다. 저희는 이를 하드코딩하는 대신 설정 (Configuration) 값으로 코드화합니다:

PLATFORM_CONFIGS = {
    'amazon_main': {
        'background': 'pure_white',  # RGB 255,255,255
...

QC 점수 시스템

단순한 합격/불합격(Pass/Fail) 방식 대신, 저희는 경로를 결정하는 점수 시스템을 사용합니다:

def calculate_qc_score(image_path, platform_config):
    scores = {}

...

90점 이상의 이미지는 자동으로 출고됩니다. 70~89점은 최종 결정을 내리는 인간 검토자에게 전달됩니다. 70점 미만은 편집 대기열로 다시 돌아갑니다.

이 라우팅 (Routing) 시스템 덕분에 모든 이미지를 일일이 확인하는 QC 팀 없이도 일일 7,500개의 물량을 관리할 수 있습니다.

우리가 아직 완전히 자동화하지 못한 것들

이 파이프라인을 수년간 반복 개선해 온 결과, 여전히 인간의 판단이 필요한 항목들에 대한 솔직한 목록은 다음과 같습니다:

실물 제품과의 색상 정확도 (Color accuracy). 알고리즘을 통해 색상을 정규화(Normalize)하고 색 편향(Color cast)을 교정할 수는 있지만, 최종 이미지가 상자 안의 실물 제품과 일치하는지 확인하려면 교정된 모니터(Calibrated monitor)와 실제 제품을 가진 사람이 필요합니다.

고스트 마네킹 합성 (Ghost mannequin compositing). 위에서 설명한 바와 같이, 내부/외부 혼합 단계는 패션 브랜드가 수용할 수 있는 품질 수준에서 안정적으로 자동화하기 어렵습니다.

복잡한 가장자리 제품 (Complex edge products). 주얼리, 섬세한 레이스, 투명한 제품, 그리고 배경색과 유사한 색상의 다색 제품 등은 1:1 확대 시 자동 가장자리 검출 (Automated edge detection)이 너무 자주 실패합니다.

브랜드별 미적 판단 (Brand-specific aesthetic judgment). 일부 고객은 특정 리터칭 스타일, 그림자 처리 또는 컬러 프로파일을 가지고 있으며, 이는 "이 브랜드에 무엇이 적절해 보이는가"를 알아야 하는 영역입니다. 이는 일반적인 모델이 잘 포착하지 못하는 부분입니다.

디테일 수준의 전문적인 사진 리터칭 (Professional photo retouching) — 먼지 제거, 표면 스크래치 수정, 주얼리의 반사 관리 등 — 이러한 작업들은 최종 이미지에 무엇이 포함되어야 하고 포함되지 않아야 하는지에 대한 이해가 필요하기 때문에 여전히 인간의 작업으로 남아 있습니다.

지금까지 유효했던 경험 법칙은 다음과 같습니다: 반복 가능한 결정은 자동화하고, 판단이 필요한 부분은 인간이 검토하며, 출고 전 모든 것을 검증하십시오.

가장 중요한 지표

우리는 다른 무엇보다 한 가지 지표를 추적합니다: 우리가 편집한 이미지를 적용한 후의 고객 반품률 변화 (Client return rate change).

처리량 (Throughput)도 아닙니다. AI 도입률 (AI adoption percentage)도 아닙니다. 이미지당 비용 (Cost per image)도 아닙니다.

우리의 핵심은 고객이 우리가 편집한 제품 이미지로 전환한 후 반품이 줄어들고 있는가 하는 점입니다. 만약 우리의 "최적화된" 파이프라인이 실제 제품보다 더 좋아 보이는 이미지를 생성하고 있다면, 우리는 잘못된 결과를 위해 최적화하고 있는 것이기 때문입니다. 더 좋아 보이는 이미지로 인한 전환율 상승 + 오해를 불러일으키는 이미지로 인한 반품률 상승 = 고객 신뢰 손상과 함께 순이익은 제로(0)가 됩니다.

유일한 승리 조건은 정확하고, 규정을 준수하며, 빠르게 제작할 수 있는 이미지입니다. 이 세 가지 모두를 충족해야 합니다. 세 가지 중 두 가지만 충족해서는 안 됩니다.

결론 (Conclusion)

대규모 제품 이미지 파이프라인 (pipeline)을 구축하며 우리가 배운 것은, 질문의 핵심이 결코 "AI냐 인간이냐"가 아니라는 점입니다. 핵심은 "어떤 결정이 신뢰할 수 있게 자동화될 수 있으며, 어떤 결정에 판단이 필요한가"입니다.

대략적인 답은 다음과 같습니다. 전처리 (pre-processing), 라우팅 (routing), 형식 변환 (format conversion), 그리고 품질 관리 (QC) 점수 산정은 자동화가 잘 됩니다. 단순한 제품의 배경 제거 (background removal)도 자동화가 잘 됩니다. 색 공간 관리 (color space management) 역시 자동화가 잘 됩니다.

복잡한 외곽선 제거 (edge removal), 고스트 마네킹 (ghost mannequin), 최종 색상 정확도 검증, 그리고 브랜드 특유의 미적 결정 사항들은 자동화가 잘 되지 않습니다. 적어도 패션 브랜드나 Amazon 리스팅이 요구하는 품질 수준까지는 그렇지 않습니다.

제대로 작동하는 파이프라인은 이러한 한계를 정직하게 인정하고, 그에 따라 경로를 지정(route)하는 파이프라인입니다.

_Clipp Out Line (clippoutline.com)은 2010년부터 이커머스 (eCommerce) 브랜드를 대상으로 제품 사진 편집 서비스를 제공해 왔습니다. 서비스 항목: 배경 제거 (background removal) · 클리핑 패스 (clipping path) · 고스트 마네킹 (ghost mannequin) · 색상 교정 (color correction) · 사진 리터칭 (photo retouching) · Amazon 사진 편집 (Amazon photo editing)

#ecommerce #python #imageprocessing #automation #webdev