	`baseline/`	`filtered/`
학습 이미지	Roboflow 원본	디헤이즈 + CLAHE 적용본
추론 시 전처리	불필요	필수 (아래 참조)
용도	대조군	연무·저대비 환경 대응

성능 (test split, 71 images / 94 instances)

모델	P	R	mAP@50	mAP@50-95
baseline	0.967	0.967	0.982	0.702
filtered	0.983	0.980	0.994	0.715

클래스별 (mAP@50 / mAP@50-95):

클래스	baseline	filtered
fire	0.971 / 0.616	0.995 / 0.634
person	0.994 / 0.788	0.992 / 0.796

전처리본이 모든 종합 지표에서 앞서고, 특히 fire 클래스의 mAP@50 이 0.971 → 0.995 로 오릅니다. 다만 test 셋이 71장뿐이라 이 차이를 통계적으로 유의하다고 단정하기는 어렵습니다. 경향의 근거로만 보시고, 판단이 중요한 용도라면 더 큰 셋에서 재확인하세요.

각 폴더의 results.csv(에폭별 전체 곡선), results.png, confusion_matrix_normalized.png, BoxPR_curve.png 로 학습 과정을 확인할 수 있습니다. 표의 수치는 각 모델의 best 체크포인트를 test split 에서 재평가한 값입니다.

사용법

baseline

python

from ultralytics import YOLO
from huggingface_hub import hf_hub_download

w = hf_hub_download("albitro/phoenix_detection", "baseline/best.pt")
model = YOLO(w)

results = model("frame.jpg")
results[0].show()

filtered — 전처리를 반드시 거쳐야 합니다

이 가중치는 전처리된 픽셀로 학습되었습니다. 원본 이미지를 그대로 넣으면 학습/추론 분포가 어긋나 성능이 떨어집니다. 학습에 쓴 것과 동일한 파이프라인을 filtered/preprocess/ 에 함께 올려두었습니다 (opencv-python, numpy 만 있으면 동작하며 ROS 의존성 없음).

python

import cv2
from ultralytics import YOLO
from huggingface_hub import snapshot_download

repo = snapshot_download("albitro/phoenix_detection")

import sys; sys.path.insert(0, f"{repo}/filtered")
from preprocess import build_default_pipeline

pipe = build_default_pipeline()          # filter_params.json 의 값 그대로
model = YOLO(f"{repo}/filtered/best.pt")

bgr = cv2.imread("frame.jpg")            # BGR, uint8
results = model(pipe.process(bgr))
results[0].show()

pipe.process() 는 BGR uint8 을 받아 BGR uint8 을 돌려줍니다. 비디오 스트림에서는 pipe 를 한 번만 만들어 재사용하세요 (프레임마다 새로 만들 필요 없음).

전처리 파이프라인

mode="full" — 감마 보정 → Dark Channel Prior 디헤이즈(guided filter refinement) → CLAHE. 전체 파라미터는 filtered/filter_params.json 에 있고 preprocess.DEFAULTS 와 일치합니다. 주요 값: omega=0.95, t0=0.1, patch=15, scale=0.25, a_max=0.92, clahe_clip=2.0, clahe_tile=8, gamma=1.0.

데이터셋

Roboflow Universe — -ssifa/it-t82tu v1 (CC BY 4.0). 640×480, 2 클래스, train 307 / valid 94 / test 71.

filtered 데이터셋은 원본에 전처리를 적용한 사본입니다. 분할 멤버십·파일명·라벨이 원본과 완전히 동일하고 픽셀값만 다릅니다 — 디헤이즈와 CLAHE 는 화소값 변환이라 바운딩박스가 움직이지 않기 때문입니다. 두 모델의 차이가 전처리 효과인지 분할 운인지 헷갈리지 않도록 의도적으로 이렇게 맞췄습니다. 재압축 손실이 전처리 조건에만 얹히는 것을 피하려고 사본은 PNG 무손실로 저장했습니다.

데이터셋 자체는 이 레포에 포함돼 있지 않습니다. 클래스 정의는 data.yaml 참조.

학습 설정

두 모델 공통입니다. 전체는 각 폴더의 args.yaml 에 있습니다.


base	`yolo26s.pt` (COCO pretrained)
epochs	100 (baseline best @79, filtered best @95)
imgsz	640
batch	16
optimizer	auto
seed	0
device	Intel Arc B580 (XPU), PyTorch 2.13.0+xpu
ultralytics	8.4.117

한계

작은 데이터셋 (총 472장). 촬영 환경이 학습 데이터와 다르면 일반화가 떨어질 수 있습니다.
test 셋 71장 기준의 비교라 두 모델 간 차이의 신뢰구간이 넓습니다.
fire 의 mAP@50-95 가 0.63 수준입니다. 탐지 여부(mAP@50 0.995)는 신뢰할 만하지만 불꽃 경계의 박스 정밀도는 그만큼 높지 않습니다 — 불꽃은 경계가 모호한 대상입니다.
안전이 걸린 용도에 단독 판단 근거로 쓰지 마세요. 사람의 확인을 거치는 경보 보조로만 쓰세요.

라이선스

가중치는 Ultralytics YOLO 에서 파생되어 AGPL-3.0 을 따릅니다. 네트워크 서비스로 배포할 경우 소스 공개 의무가 따라옵니다. 상용 용도라면 Ultralytics 엔터프라이즈 라이선스를 확인하세요. 학습 데이터셋은 CC BY 4.0 입니다.