AI 에이전트와 함께하는 Vision AI 서비스 구축 풀사이클

SOTA 모델 탐색부터 YOLO·Segmentation·API 서빙 구축까지 한 번에 완성하는 Vision AI 실전 과정

강사

Ray

강의

34강

시간

2h 52m

수강기간

무제한

레벨

중급

정가

124,000원

총 결제 금액

124,000원

적립 예정

3,720P

강의 소개

강사

커리큘럼

수강 후기

내 로컬 PC 속에만 갇힌 AI 모델 언제까지 ‘예제 코드’만 돌리고 계실 건가요? 파편화된 이론은 이제 끝! 기획부터 배포까지 현업 엔지니어의 ‘삽질 노하우’로 완성하는 End-to-End 파이프라인

SOTA 모델 탐색부터 YOLO·Segmentation·API 서빙 구축까지
한 번에 완성하는 실전 Vision AI 서비스

AI 에이전트와 함께하는
Vision AI 서비스 구축 풀사이클

내 로컬 PC 속에만 갇힌 AI 모델

언제까지 ‘예제 코드’만 돌리고 계실 건가요?

파편화된 이론은 이제 끝! 기획부터 배포까지

현업 엔지니어의 ‘삽질 노하우’로 완성하는 End-to-End 파이프라인

하드웨어 배포

최신 SOTA 모델

AI 파이프라인

SOTA 모델 탐색 · YOLO · Segmentation · API 서빙
현업 엔지니어의 노하우 대방출!

모델 학습, 이론으로 끝?

No! 실무에서 활용 가능한 데이터를 기반으로 한
이론 + 실습 올인원 과정입니다

이론 및 기본 개념 학습 → 실습을 통한 모델 구현
→ 프로젝트 응용 및 서비스 배포

1단계 ㅣ 이론 및 기본 개념

분류(Classification), 객체 탐지(Detection), 분할(Segmentation) 등 Vision Task의 목적을 정의하고 상황에 맞는 SOTA 모델을 선정하는 방법을 배웁니다.
소프트웨어뿐만 아니라 카메라 해상도, FPS, 조명 환경 등 AI 개발자가 놓치기 쉬운 현장 하드웨어 환경 세팅까지 기획 단계에서 짚고 넘어갑니다.
YOLOv8, RepViT, MobileSAM과 같은 최신 트렌드 모델의 아키텍처 원리를 꼼꼼하게 파악합니다.

2단계 ㅣ 실습을 통한 모델 구현

오픈 데이터셋 다운로드에 그치지 않고 AnyLabeling 등을 활용한 라벨링, 클래스 불균형과 악천후 도메인 변화에 대응하는 데이터 증강(DataOps) 파이프라인을 구축합니다.
PyTorch 커스텀 데이터셋 로더를 만들어 내 데이터에 맞게 최신 모델들을 파인튜닝합니다.
학습된 모델의 판단 근거를 시각화하는 XAI(Grad-CAM) 기술을 적용하고, 실무 서비스 성격에 맞게 mAP 및 임계값(Threshold)을 튜닝하는 실습을 진행합니다.

3단계 ㅣ 프로젝트 응용 및 서비스 배포

학습된 AI 모델을 최신 웹 프레임워크인 FastAPI 기반의 비동기 추론 서버로 띄우고, 클라이언트와 Base64 이미지로 안전하게 통신하는 엔드투엔드 서빙을 구현합니다.
사용자가 몰리는 상황을 대비해 Locust 툴로 가상 트래픽을 생성하여 API 서버의 한계(부하 테스트)를 측정합니다.
[특별 부록] 정제된 교과서적 데이터가 아닌, 현업에서 부딪히는 주야간 조도 문제, 고속 이동 객체의 모션 블러, CUDA OOM 에러, 레이턴시 병목 등 6가지 실제 에러 상황을 해결하는 트러블 슈팅 과정을 통해 시스템 아키텍트로서의 실전 응용력을 키웁니다.

로컬 환경에서는 완벽했던 당신의 AI,
왜 실전에선 무너질까요?

모델 학습만으로는 넘을 수 없는 현실의 한계

오픈 데이터셋으로 학습은 해봤는데,
정작 내 프로젝트에 맞는 데이터 수집과 전처리는
어떻게 시작해야 할지 막막해요

데이터의 한계

YOLO, SAM… 좋다는 모델은 많지만,
이걸 내 서비스에 맞게 조절하는 실전 기술을 모르겠어요

최적화의 한계

모델 정확도는 잘 나오는데, 서버는 어떻게 띄워야 할지,
프론트엔드와는 어떻게 연동할지 도무지 감이 안 와요

배포의 한계

이런 분께 추천합니다

💻 모델링을 넘어 '서비스 전체'를 경험하고 싶은 AI 주니어

오픈 데이터셋을 넘어 날것의 현장 데이터(Raw Data)를 기반으로 비즈니스 가치를 창출하는 데이터 파이프라인(DataOps)을 직접 설계합니다.

🛠️ 최신 SOTA 모델을 '내 프로젝트'에 이식하고 싶은 실무 엔지니어

최신 SOTA 모델을 프로젝트 목적에 맞게 이식하고, 서비스 환경에 최적화된 임계값조절과 트러블슈팅을 통해 실전용 솔루션을 완성합니다.

🚀 모델을 세상 밖으로 꺼내고 싶은 '풀스택 AI' 지망생

학습된 모델을 FastAPI 기반의 견고한 API 서버로 구축하고, 실제 웹/앱 연동을 위한 추론 최적화와 부하 테스트를 거쳐 세상 밖에서 돌아가는 실전 서비스를 구현합니다.

🏭 AI 도입을 고민하는 현장의 도메인 전문가

정확도 99%라는 수치 뒤에 숨은 현장의 특수성을 깊이 이해하고, 기획부터 배포까지 실질적인 AI 도입 프로세스의 End-to-End 파이프라인을 리드합니다.

이 강의를 수강하고 나면

Vision AI 프로젝트를 혼자서도 리딩할 수 있게 됩니다

역량 1 맞춤형 DataOps 구축 능력

AnyLabeling을 활용한 라벨링, Albumentations를 통한 도메인 최적화 데이터 증강, PyTorch 커스텀 데이터 로더 설계 능력을 갖추게 됩니다.

역량 2 XAI(설명 가능한 AI) 활용 능력

Grad-CAM을 통해 모델이 어떤 픽셀을 보고 판단을 내렸는지 히트맵으로 시각화하여, 고객과 경영진을 설득할 수 있는 신뢰성 높은 결과물 도출할 수 있게 됩니다.

역량 3 AI 서비스 배포 및 성능 최적화 역량

빠르고 강력한 FastAPI로 비동기 추론 서버를 띄우고, Base64 이미지 통신을 구현하며, Locust를 통해 시스템 한계점(RPS, Latency)을 측정하는 부하 테스트 리포트를 산출할 수 있습니다.

역량 4 AI 서비스 배포 및 성능 최적화 역량

주야간 조도 문제, 모션 블러, CUDA OOM, 과적합 등 현장에서 자주 발생하는 6가지 치명적 에러를 스스로 진단하고 타파하는 시스템 아키텍트의 시야를 확보할 수 있습니다.

커리큘럼

체계적인 6단계 학습 로드맵

Part 1. [Overview] 비전 프로젝트 설계와 현장 하드웨어

이론에서 프로젝트 기획과 하드웨어 지식을 다지며, 실습에서는 전체 실습을 위한 환경 세팅과 데이터 수집 툴 활용법을 배웁니다.

0차시. 강의 소개

강의 전체 로드맵 및 파이프라인을 소개합니다.

1차시. Vision Task (Cls, Det, Seg, Instance Seg) 및 모델 선정

Vision Task 정의 및 상황별 모델 선정 방법을 안내합니다.

2차시. 개발자 필수 체크: 카메라 스펙(해상도, FPS)과 조명 설정

카메라 스펙(해상도, FPS)과 조명을 설정하고 오픈 데이터셋(Roboflow 등)을 다운로드 합니다.

3차시. SOTA 모델 탐색하는 방법

SOTA 모델 탐색법 및 라이선스 검증 노하우를 학습합니다.

[실습 1-1] 개발 환경 설정

깃 클론 및 파이썬 가상환경(venv)을 구축하고 프로젝트 진행에 필요한 패키지를 설치합니다.

[실습 1-2] AnyLabeling 설치 및 라벨링 실습

AnyLabeling 툴 설치 및 Bounding Box/Polygon 라벨링 실습을 진행합니다.

[실습 1-3] 고품질 오픈 데이터셋 다운로드

Roboflow 등에서 고품질 오픈 데이터셋 검색 및 다운로드 실습을 진행합니다.

Part 2. [DataOps] 고품질 데이터셋 구축과 증강

이론에서 배운 데이터 증강 기법과 파이토치 구조를 바탕으로, 실제 증강 파이프라인과 데이터로더 코드를 작성합니다.

4차시. 라벨링 툴 활용 및 Auto-Labeling

라벨링 자동화(Auto-Labeling) 툴 활용 전략에 대하여 학습합니다.

5차시. 실전 데이터 증강

클래스 불균형과 악천후 대응을 위한 데이터 증강(Augmentation) 기법에 대해 학습합니다.

6차시. PyTorch Custom Dataset Loader 구현 및 포맷 변환

PyTorch Custom Dataset Loader 개념 및 구조 파악을 진행합니다.

[실습 2-1] 데이터 증강 파이프라인 구현

Albumentations 라이브러리를 활용한 데이터 증강 파이프라인 코드를 구현합니다.

[실습 2-2] 파이토치 데이터셋 클래스 구축

앞선 증강 파이프라인을 연결하여 PyTorch Dataset 클래스(VisionDataSet) 직접 구축해봅니다.

Part 3. [Classification] 효율적인 분류와 XAI

빠른 분류 모델인 RepViT의 학습부터 평가, 그리고 모델의 시선을 시각화하는 XAI 전 과정을 실습합니다.

7차시. CNN을 넘어 ViT로: RepViT 아키텍처 분석

베리어블의 기본 구조를 이해하고, 플러그인을 활용해 디자인 시스템의 뼈대가 되는 원초적 색상 값(Raw Token)을 한 번에 효율적으로 등록합니다.

8차시. RepViT 활용 Custom 이미지 분류기 Fine-tuning

수많은 색상 중에서 실제 디자인에 사용할 컬러만 추려내어, 모든 요소의 기준이 되는 범용적인 '프리미티브' 컬렉션을 그룹화하여 구축합니다.

9차시. TensorBoard를 활용한 학습 모니터링 및 튜닝

텍스트(Text)와 배경(Bg) 영역에 쓰일 기본 색상 값에 Primary, Error 등 특정한 역할과 의미를 부여하는 시멘틱(Semantic) 계층을 설계합니다.

10차시. XAI 실습: Grad-CAM으로 판단 근거 시각화

테두리와 아이콘은 물론 상호작용(Hover 등)에 따른 세부 색상 변화를 정의하고, 알맞은 속성에만 나타나도록 변수 범위를 제한하는 실무를 익힙니다.

[실습 3] 분류 모델 학습

RepViT 분류 모델 학습, TensorBoard 결과 확인 및 Grad-CAM 시각화 실습을 진행합니다.

Part 4. [Detection] 객체 탐지의 표준, YOLO 마스터

YOLOv8을 나의 데이터로 학습시키고, 결과를 튜닝하는 실무 과정을 다룹니다.

11차시. 1-Stage Detector의 진화와 YOLOv8(v11) 이해

YOLOv8 모델의 Anchor-free 구조 진화와 손실함수를 이해합니다.

12차시. YOLOv8 Custom Data 학습 및 트러블 슈팅

YAML 파일 설정, Multi-GPU 학습 및 CUDA OOM 해결법을 학습합니다.

13차시. Inference 분석: mAP 해석 및 Threshold 최적화

mAP 지표 해석법 및 Confidence/IoU 임계값(Threshold) 튜닝 전략을 학습합니다.

[실습 4-1] YOLOv8 Nano 사전 학습 모델

YOLOv8 Nano 사전 학습 모델 로드 및 커스텀 데이터셋 트레이닝을 실습합니다.

[실습 4-2] 결과 비교 실습

학습된 가중치를 활용한 Inference 및 Threshold 조율에 따른 결과를 비교해봅니다.

Part 5. [Segmentation] 정밀 분석과 Foundation Model

픽셀 단위 정밀 분석을 위해 YOLO-Seg 모델을 학습하고, 클릭만으로 분할이 가능한 MobileSAM을 경험합니다.

14차시. Semantic vs Instance Segmentation 차이와 트렌드

Semantic vs Instance Segmentation 차이 및 mIoU 등 평가 지표를 이해합니다.

15차시. YOLOv8-Seg 활용 학습 및 마스크 추출

YOLOv8-Seg 모델 원리 및 폴리곤 데이터 라벨링 포맷을 이해합니다.

16차시. MobileSAM 활용 Zero-shot 객체 분할 실습

파운데이션 모델 MobileSAM을 활용한 Zero-shot 객체 분할 개념을 학습합니다.

[실습 5-1] YOLOv8-Seg 모델 학습 및 픽셀 마스크 데이터 추출

YOLOv8-Seg 모델 학습 및 Inference 후 픽셀 마스크 데이터/면적 추출 실습

[실습 5-2] 제로샷 분할 시스템 구현

MobileSAM을 이용해 Point/Box 프롬프트 기반 Zero-shot 분할 시스템 구현

Part 6. [Deployment] API 서빙 구축 (실무 마무리에 집중)

개발한 AI 모델을 실제 서비스할 수 있도록 FastAPI를 이용해 서버를 띄우고, 트래픽을 감당할 수 있는지 부하 테스트를 수행합니다.

17차시. 모델 서빙 아키텍처: Flask vs FastAPI 비교

AI 모델 서빙 아키텍처 개요 및 FastAPI의 비동기 처리에 대해서 학습합니다.

18차시. FastAPI 활용 기본 AI 추론 서버 구축

FastAPI 기반 추론 서버 뼈대 구축 및 Pydantic 데이터 검증을 진행합니다.

19차시. Base64 이미지 처리 및 Swagger UI 문서 자동화

데이터 유실 방지를 위한 Base64 이미지 통신 원리를 파악합니다.

20차시. API 성능 테스트(Locust) 및 프로젝트 이관 가이드

Swagger UI 문서화 자동화 및 Locust 툴을 이용한 부하 테스트를 진행합니다.

[실습 6-1] FastAPI로 엔드투엔드 서빙 코드 구현하기

FastAPI로 실제 엔드포인트를 구현하여 모델 탑재 후, 클라이언트에서 Base64로 통신하는 엔드투엔드 서빙 코드를 실습합니다.

[실습 6-2] Locust로 가상의 유저 트래픽 생성하기

Locust 라이브러리를 통해 가상의 유저 트래픽을 생성하고 RPS, Latency 등 API 서버 한계를 측정하는 실습

[특별 부록] 트러블 슈팅 가이드

21차시. 트러블 슈팅 가이드

전체 파이프라인을 역순으로 점검하며 하드웨어, 데이터, 학습, 서빙 전반에 걸친 실전 에러 케이스 6가지를 다룹니다.

데이터부터 배포까지,
AI 모델의 전 과정을 설계하는

MLOps 마스터

Ray

엔드투엔드(End-to-End) 파이프라인 구축: 데이터 수집, 학습, 평가를 넘어 최적화에 이르는 AI 모델 개발의 전 과정을 MLOps 기반으로 구축한 실질적인 경험을 공유합니다.

현업에서 바로 쓰는 경량화 설계: 고성능 GPU가 없는 환경에서도 돌아가는 가벼운 모델 설계법 등, 실제 현업에서 가장 필요로 하는 '모델 경량화'와 '추론 최적화'의 해답을 제시합니다.

최신 트렌드와 실무의 결합: 빠르게 변하는 AI 트렌드 속에서 RepViT, ViT 등 최신 논문의 핵심 알고리즘을 어떻게 실무 서비스에 녹여내는지 구체적인 방법론을 전달합니다.

[경력]

現) 국내 최상위 글로벌 IT 기업 AI Engineer
- 최신 AI 리서치 및 엔지니어링 파이프라인 구축
- 대규모 소프트웨어 아키텍처 설계 및 상용화 프로젝트 수행 前) 글로벌 통신 장비 기업 Software Developer
- 통신 네트워크 인프라 핵심 모듈 개발
- 차세대 통신망 아키텍처 설계 및 구현

자주 묻는 질문

Q1. 딥러닝이나 비전 AI 초보자도 수강할 수 있나요? (사전 지식 요구사항)

A. 본 과정은 기초 입문 과정이 아닌 실무에서 활용 가능한 전문 직무 과정으로 기획되었습니다. 따라서 파이썬 기본 문법과 파이토치 프레임워크에 대한 기본적인 지식이 요구됩니다. 단순한 이론 설명보다는 실제 엔드투엔드 파이프라인의 코드를 구현하고 배포하는 것에 집중하므로, 기본 지식이 있다면 실습을 통해 훨씬 더 큰 시너지를 얻을 수 있습니다.

Q2. 실습을 진행할 때 최신 GPU 장비가 필수적인가요?

A. 원활하고 빠른 딥러닝 모델 학습을 위해서는 GPU 환경이 권장되지만, 고가의 장비가 필수는 아닙니다. 본 강의에서는 CPU만 있는 노트북이나 라즈베리파이 같은 엣지 디바이스에서도 가볍게 돌아갈 수 있는 경량 모델(YOLOv8 Nano, MobileSAM 등)도 충분히 다룹니다. 또한, 학습 중 GPU 메모리 부족(CUDA OOM) 현상을 겪더라도 당황하지 않도록 배치 사이즈 조절, AMP(자동 혼합 정밀도) 적용, Gradient Accumulation 등 소프트웨어적인 메모리 최적화 기법을 상세히 알려드립니다.

Q3. 강의를 수강하면 어떤 포트폴리오를 얻을 수 있나요?

A. 강의를 마치면 실제 외부 서비스에 즉시 연동할 수 있는 나만의 'Vision AI 추론 API 서버' 전체 코드를 갖게 됩니다. 세부적으로는 데이터 증강(Albumentations) 파이프라인이 포함된 PyTorch 커스텀 데이터 로더, 내 데이터로 파인튜닝된 SOTA 모델(RepViT, YOLOv8) 가중치 파일, 모델의 판단 근거를 보여주는 XAI(Grad-CAM) 시각화 리포트, 그리고 객관적인 API 서버 성능을 증명할 수 있는 Locust 부하 테스트 리포트 등 대체 불가능한 AI 엔지니어로서의 완벽한 포트폴리오 산출물을 얻으실 수 있습니다.

강사

Ray

엔드투엔드(End-to-End) 파이프라인 구축: 데이터 수집, 학습, 평가를 넘어 최적화에 이르는 AI 모델 개발의 전 과정을 MLOps 기반으로 구축한 실질적인 경험을 공유합니다.

현업에서 바로 쓰는 경량화 설계: 고성능 GPU가 없는 환경에서도 돌아가는 가벼운 모델 설계법 등, 실제 현업에서 가장 필요로 하는 '모델 경량화'와 '추론 최적화'의 해답을 제시합니다.

최신 트렌드와 실무의 결합: 빠르게 변하는 AI 트렌드 속에서 RepViT, ViT 등 최신 논문의 핵심 알고리즘을 어떻게 실무 서비스에 녹여내는지 구체적인 방법론을 전달합니다.

現) 국내 최상위 글로벌 IT 기업 AI Engineer
최신 AI 리서치 및 엔지니어링 파이프라인 구축
대규모 소프트웨어 아키텍처 설계 및 상용화 프로젝트 수행

前) 글로벌 통신 장비 기업 Software Developer
통신 네트워크 인프라 핵심 모듈 개발
차세대 통신망 아키텍처 설계 및 구현

커리큘럼

0차시_강의 소개