← 프로젝트 목록

부트캠프 · SKT FLY AI · Computer Vision

poopy_ai — 반려견 대변 분석 AI

반려견 대변 사진 한 장에서 배경을 제거하고, 형태(Dog Fecal Chart 7단계)와 색을 자동으로 읽어 건강 신호를 알려주는 비전 파이프라인.

기간 2024.06 ~ 2024.08 구분 SKT FLY AI Challenge 5기 (부트캠프, 팀) 역할 비전 모듈 (분할·분류·색상)

파이프라인

1. Promptless-SAM 분할

SAM(Segment Anything, Meta)의 프롬프트 인코더와 마스크 디코더를 떼어내고, 커스텀 디코더(4×Conv2d-Transpose · LayerNorm2D · ReLU/Dropout)로 대체해 프롬프트 없이 대변 영역을 바로 분할.

Promptless-SAM 분할 아키텍처: SAM 이미지 인코더 + 커스텀 디코더, 프롬프트/마스크 디코더 제거 — 입력 사진 → SAM 이미지 인코더 → 커스텀 디코더 → 분할 마스크. 표준 SAM의 프롬프트 기반 경로(points/box/text)는 제거.

파이프라인

2. 분류 + 색상 양자화

분할된 마스크 영역을 두 갈래로 분석. Res2Net으로 Dog Fecal Chart 7단계 형태를 분류하고, K-means(n=5)로 대표 색 5개와 비율을 뽑아 색 신호를 정량화.

분류 및 색상 양자화: Res2Net 7단계 분류 + K-means(n=5) 색상 팔레트 출력 — 마스크 이미지 → Res2Net 형태 분류(Type 1~7) + K-means 색상 양자화 → 형태 + 색상 팔레트 비율 출력.

문제

반려견 대변의 형태와 색은 건강의 신호지만, 보호자가 사진만으로 일관되게 판단하기 어려움. 배경·조명이 제각각인 실사진에서 대변 영역만 안정적으로 떼어내고, 형태와 색을 표준 기준으로 읽어주는 자동화가 필요.

접근

Promptless 분할. SAM은 강력하지만 point/box/text 프롬프트가 필요. 프롬프트 인코더·마스크 디코더를 커스텀 디코더로 대체해, 사용자 입력 없이 대변 마스크를 바로 예측하도록 구현.
형태 분류. 분할된 영역을 Res2Net으로 Dog Fecal Chart 7단계로 분류.
색상 정량화. K-means(n=5)로 대표 색과 비율을 추출해 색 기반 신호를 수치화.
배포. Docker 이미지로 패키징해 GPU 컨테이너에서 서비스로 실행.

결과

사진 한 장에서 배경 제거 → 형태 분류 → 색상 팔레트까지 이어지는 엔드투엔드 모듈을 완성해 SKT FLY AI Challenge 5기 최종 발표로 마무리.

기술

SAM(Segment Anything) · Res2Net · K-means · PyTorch · Docker.

SKT FLY AI Challenge 5기 팀 프로젝트. SAM은 Meta의 모델이며, 본 프로젝트는 그 위에 프롬프트리스 커스텀 디코더와 분류·색상 분석을 추가. 아키텍처 도식은 팀 산출물.