자동차 취약 도로 이용자 안전을 위한 엣지 AI: 지식 증류 를 통한 배포 가능한 탐지
요약
본 논문은 자율주행 환경의 취약 도로 이용자(VRU) 객체 탐지 모델을 엣지 장치에 효율적으로 배포하기 위한 지식 증류(Knowledge Distillation, KD) 프레임워크를 제안합니다. 대형 교사 모델이 가지는 높은 정확도를 유지하면서도, 컴팩트한 학생 모델을 통해 모델 크기를 크게 줄이고 양자화 환경에서의 성능 저하 문제를 해결하는 것이 핵심입니다. 실험 결과, 지식 증류를 거친 학생 모델은 INT8 양자화 환경에서 원본 대형 모델 대비 압도적인 정확도와 안정성을 보여주어, 실제 엣지 배포에 매우 적합함을 입증했습니다.
핵심 포인트
- 지식 증류(KD)는 자율주행 엣지 장치에서 VRU 탐지 모델의 크기 축소 및 성능 유지에 필수적이다.
- 본 연구는 YOLOv8-L (교사)을 YOLOv8-S (학생)로 지식 증류하여, 모델 용량을 3.9배 압축하는 방법을 제시했다.
- INT8 양자화 환경에서 대형 교사 모델은 심각한 성능 저하를 겪지만, KD 학생 모델은 높은 정확도를 유지한다.
- KD는 단순히 탐지 용량뿐만 아니라 '정밀도 보정(precision calibration)'을 전달하여 실제 배포 환경의 안정성을 높인다.
엣지 하드웨어에서 취약 도로 이용자 (VRU) 안전을 위한 정확한 객체 탐지를 배포하려면 모델 용량을 계산 제약과 균형을 맞춰야 합니다. 대형 모델은 높은 정확도를 달성하지만, 엣지 배포에 필요한 INT8 양자화 하에서는 실패하고, 소형 모델은 탐지 성능을 희생합니다. 본 논문은 컴팩트한 YOLOv8-S 학생 모델 (1100 만 개 파라미터) 이 YOLOv8-L 교사 모델 (4370 만 개 파라미터) 을 모방하도록 훈련하는 지식 증류 (KD) 프레임워크를 제시하며, 양자화 견고성을 유지하면서 3.9 배 압축을 달성합니다. 우리는 Post-Training Quantization 을 통해 INT8 로 양자화된 전체 규모의 BDD100K (7 만 장 학습 이미지) 에서 평가했습니다. 교사 모델은 INT8 하에서 치명적인 저하 (-23% mAP) 를 겪는 반면, KD 학생 모델은 정확도를 유지합니다 (-5.6% mAP). 분석 결과, KD 는 원시 탐지 용량이 아닌 정밀도 보정 (precision calibration) 을 전달함을 보여줍니다: INT8 에서 KD 학생 모델은 0.748 의 정밀도를 달성하는 반면, 직접 훈련은 0.653 으로, 동일한 재현율에서 14.5% 향상이며, 붕괴된 교사 대비 위양성 (false alarms) 을 44% 줄입니다. INT8 에서 KD 학생 모델은 3.9 배 더 작은 모델임에도 불구하고 교사 모델의 FP32 정밀도 (0.748 대 0.718) 를 초과합니다. 이러한 발견들은 지식 증류가 엣지 하드웨어에서 정확한, 안전 임계형 VRU 탐지를 배포하는 데 필수적임을 입증합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기