You can deploy this model and start earning money today!

J4VIS-2026/
yolov8n-sidewalk-obstacle

Name: yolov8n-sidewalk-obstacle
Availability: InStock

Views

No views yet

나란히SDK 보행 장애물 탐지 모델

인도 위 장애물 24종을 탐지하는 YOLOv8n 파인튜닝 모델입니다. 볼라드, 가로수, 입간판처럼 보행을 실제로 가로막지만 COCO 80종에는 없는 객체를 포함합니다. 단말에서 돌리려고 int8로 양자화해 3.5MB입니다.

An int8-quantized YOLOv8n fine-tuned to detect 24 classes of sidewalk obstacles (bollards, tree trunks, movable signage, poles, and more) that are absent from COCO. 3.5 MB, built to run on-device.


기반 모델	YOLOv8n (Ultralytics 8.4.101) — COCO 사전 학습 가중치에서 추가 학습
형식	ONNX opset 17, int8 양자화 전체 가중치
용량	3.5 MB (float32 원본 12.3 MB)
입력	`images` — float32 `[1, 3, 640, 640]`, RGB, 0~1 정규화, 레터박스
출력	`output0` — float32 `[1, 28, 8400]`. 28 = 박스 4(cx, cy, w, h) + 클래스 점수 24
클래스	24종
라이선스	AGPL-3.0-only
학습과 변환 코드	https://github.com/J4VIS-2026/nrh-train

[!IMPORTANT] 이 model.onnx는 int8 양자화본입니다. ONNX 관례에서 model.onnx는 보통 float32를 뜻하지만, 이 저장소는 단말 배포용 int8만 공개합니다. 입출력 텐서 자체는 float32이고 양자화는 내부 가중치에 적용되어 있어, 쓰는 쪽에서 따로 처리할 것은 없습니다.

NMS가 들어 있지 않습니다. 후처리를 직접 하셔야 합니다.

클래스 24종

이동하는 것 (9종)

person car bus truck motorcycle micromobility push_cart wheelchair pet

놓여 있는 것 (15종)

bollard pole tree_trunk barricade bench chair table potted plant fire hydrant movable_signage traffic_sign traffic light control_cabinet service_terminal transit_stop

micromobility는 자전거와 킥보드를 합친 것이고, pet은 개와 고양이를 합친 것입니다.

클래스 이름과 번호는 모델 메타데이터의 names에 들어 있습니다. 코드에 직접 나열하지 말고 거기서 읽으시면 모델을 바꿔도 깨지지 않습니다.

쓰는 법

ONNX Runtime만 있으면 언어는 가리지 않습니다. 다만 전처리와 후처리를 직접 하셔야 합니다.

전처리

긴 변을 640에 맞춰 비율을 유지한 채 줄이고, 남는 자리는 114/255로 채웁니다 (레터박스)
RGB 순서, 0~1로 정규화, [1, 3, 640, 640] float32

후처리

8400개 후보에서 클래스 점수의 최댓값을 신뢰도로 삼아 걸러냅니다
박스가 cx, cy, w, h 형식이므로 모서리 좌표로 바꾸고, 레터박스를 되돌려 원본 크기로 복원합니다
클래스별로 NMS를 겁니다

전처리와 후처리를 붙여 둔 JavaScript 모듈이 있습니다. 브라우저와 React Native 양쪽에서 돕니다 — https://github.com/J4VIS-2026/nrh-detector

성능

검증셋 67,613장 전체, conf 0.001 기준입니다.

	mAP50	mAP50-95
float32	0.6928	0.4742
int8 (여기서 배포하는 것)	0.6832	0.4539
양자화 손실	-1.4%	-4.3%

COCO 사전 학습 모델과 공통으로 가진 10종만 골라 같은 채점기로 재면 mAP50이 0.3632에서 0.7126으로 올랐습니다(+96%). 국내 보행 환경의 신호등처럼 COCO의 대표 형태와 많이 다른 객체에서 차이가 큽니다.

Galaxy Z Flip 5에서 프레임당 98 ms(초당 10.2장)이고, 연속으로 돌리면 발열 때문에 146 ms까지 느려집니다. Galaxy Tab S6 Lite는 342 ms입니다. 전처리와 후처리를 포함한 시간입니다.

한계

어두운 장면에서 약합니다. 검증셋을 밝기로 다섯 구간으로 나눠 재면, 가장 어두운 구간의 mAP50이 0.6610으로 가장 밝은 구간보다 6.8%p 낮습니다. 양자화 탓이 아닙니다 — float32에서도 같은 차이가 납니다. 학습 데이터의 야간 비율이 0.2%뿐인 것이 원인입니다.

붙어 있는 객체를 하나로 잡을 때가 있습니다. pole과 tree_trunk처럼 인접한 물체가 한 박스에 묶였다가 풀리는 현상이 관찰됩니다.

닮은 클래스끼리 혼동합니다. pole↔tree_trunk, car↔truck처럼 형태가 비슷한 쌍에서 프레임마다 판정이 바뀔 수 있습니다.

학습 데이터

AI Hub 「인도보행 영상」 바운딩박스 데이터입니다. 이미지 349,741장, 바운딩박스 3,367,063개이고 원본은 CVAT XML입니다. 학습 282,128장과 검증 67,613장으로 나눴습니다.

영상에서 뽑은 연속 프레임이라 무작위로 나누면 안 됩니다. 거의 같은 장면이 학습과 검증 양쪽에 들어가 점수가 부풀려집니다. 그래서 프레임이 아니라 영상 묶음 단위로 나눴습니다.

어노테이션은 CVAT XML에서 YOLO 형식으로 바꾸면서 이미지 경계를 벗어난 좌표를 보정했고, 표본이 부족하거나 형태가 겹치는 클래스를 29종에서 24종으로 합쳤습니다. 개인정보는 원본 데이터셋에 이미 비식별화가 적용된 상태라 별도 가공을 하지 않았습니다.

출처 표기

이 결과물은 AI 허브의 「인도보행 영상」 데이터셋을 활용하였습니다.

이 문구는 지우지 마세요. AI Hub가 2차 저작물 활용의 조건으로 요구한 것입니다.

이 저장소는 모델 가중치만 배포합니다. AI Hub 원본 이미지와 라벨은 들어 있지 않으며, 넣어서도 안 됩니다. 크기를 줄이거나 형식만 바꾼 것도 원본과 같게 취급됩니다.

라이선스

AGPL-3.0-only입니다. 기반 모델인 Ultralytics YOLO가 AGPL-3.0이면서 "or later"를 붙이지 않았으므로, 파생물인 이 모델도 v3로만 냅니다. 조문 전문은 같은 저장소의 LICENSE에 있습니다.

J4VIS-2026/yolov8n-sidewalk-obstacle