피드로 돌아가기
Dev.toAI/ML
원문 읽기
YOLOv8 및 TFLite 도입으로 객체 인식 범위 20배 확장 및 Edge Inference 구현
EcoVision: Reviving an AI-Powered Mobile App for Visually Impaired Accessibility with YOLOv8
AI 요약
Context
대학 시절 제작한 프로토타입의 불안정한 코드베이스와 4종의 제한적인 객체 인식 모델로 인한 낮은 실용성 문제 발생. Flutter SDK 버전 노후화 및 하드웨어 연동 불안정성으로 인한 Production-ready 수준의 안정성 확보가 시급한 상황.
Technical Solution
- float32 TensorFlow Lite 모델 기반의 YOLOv8 엔진 마이그레이션을 통한 실시간 Edge Inference 구조 설계
- COCO Dataset 적용을 통해 인식 가능 객체 수를 4종에서 80종으로 확장하여 탐지 정밀도 및 범용성 향상
- Spanish Pluralization 룰을 적용한 동적 라벨 매칭 로직 구현으로 사용자 음성 명령 처리 유연성 확보
- ExpansionTile 기반의 8개 논리적 서브카테고리 필터링 시스템을 구축하여 대량의 객체 리스트 탐색 비용 최소화
- Android TalkBack 최적화 및 단계별 오디오 가이드 인터페이스 설계를 통한 배리어 프리 접근성 강화
- Arduino 모듈과의 Bluetooth Sync 상태를 실시간 진단하는 Diagnostic Panel 구현으로 하드웨어 트러블슈팅 효율화
실천 포인트
1. Edge Device 배포 시 TFLite 등 경량화 프레임워크를 통한 추론 속도 최적화 검토
2. 접근성 요구사항 반영 시 OS 표준 스크린 리더(TalkBack 등)와의 호환성 테스트 필수 수행
3. 다국어 지원 시스템 설계 시 단순 번역을 넘어 명사 복수형 등 언어적 특성을 반영한 동적 매칭 로직 고려