2025 APAC Solution Challenge 회고

APAC Solution Challenge란?

APAC Solution Challenge 2025은 Google Developer Groups(GDG on Campus)와 Hack2skill, 그리고 ADB와의 협업으로 진행된, 아시아·태평양 지역 대학생 대상 AI 해커톤입니다.

3월 팀 빌딩 및 신청으로 시작되어 5월 16일에 프로젝트 최종 제출로 진행되었으며, Google 에서 정의한 지속가능발전목표(SDG) 중 5개의 테마가 주제가 되었습니다.

또한 Gemini의 사용은 필수였습니다.

RtoG : 화재 조기 탐지 시스템

GDGoC 건국대학교 챕터에서 팀을 빌딩하여 대회에 참가하였습니다.

저희 팀은 3명의 개발자와 1명의 디자이너로 구성되었습니다. 저는 백엔드 및 머신러닝 담당으로 1명의 백엔드 개발자와 협업하여 프로젝트를 진행했습니다.

기획

2025년 3월 대한민국에서 동시다발적으로 발생한 산불 사건이 프로젝트의 출발점이었습니다. 기존의 인력 기반 산불 감시 시스템의 한계를 인식하고, 이미 설치된 인프라(CCTV)를 활용한 자동화 솔루션을 고안했습니다.

아이디어 스케치

수많은 CCTV로부터 입력되는 영상을 관제 PC에서 처리하며, 빠르고 경량화된 이미지 객체 탐지 알고리즘을 통해 산불 발생 여부를 실시간으로 감시합니다.
탐지 알고리즘이 화재, 연기, 또는 그을림을 일정 확률 이상으로 감지하면, 해당 시점의 이미지와 일부 영상 클립을 통신 인터페이스를 통해 전송합니다.
이후, 전송된 영상은 Gemini Vision을 통해 2차 검증되며, 이때 일부 벡터 DB를 Input Context로 활용하여 실제 화재 여부를 정밀 판단합니다.
최종 판단 결과는 알람 서버를 통해 웹 인터페이스에 전달되어, 자동 관제 시스템이 즉시 경보를 발송합니다.

기술 스택의 결정

Python 3.9
FastAPI Framework
YOLOv11 (경량 객체 탐지 AI)
Gemini & Gemini Vision
Next.js (for SPA)

Vector DB와 관련된 구현 사항은 시간이 촉박하여 제외하였습니다.

인생 첫 머신러닝 도전기

직접 컴퓨터 비전을 사용한 AI 알고리즘을 개발하는 것보다 YOLO를 사용하는 것을 선택했습니다. 저희는 잘 정리된 데이터 셋을 제공해서 학습시키기만 하면 되었죠.

YOLO 알고리즘이란?

“YOLO”는 You Only Look Once의 약자로, 실시간 객체 탐지(Object Detection)에 널리 사용되는 딥러닝 기반 알고리즘입니다. 한 번의 신경망(Convolutional Neural Network) 연산으로 이미지 내의 객체 위치(bounding box)와 클래스(label)를 동시에 예측하는 것이 특징입니다.

YOLO는 이미지를 한 번만 처리해 객체를 탐지하므로 매우 빠르며, 실시간 영상 처리에도 적합한 고속 객체 탐지 알고리즘입니다.

학습 데이터 구하기

이미지 기반 학습을 해야하다보니 학습 데이터를 구하는 것이 가장 중요했습니다.

저희는 AI HUB에서 제공하는 지역안전재난(산불) 방재의 고도화를 위한 대규모 인공지능 데이터베이스를 사용하여 학습을 수행했습니다.

데이터 용량이 매우컸지만, 이미 라벨링까지 되어있는 데이터셋이어서 사용하기 간편했습니다.

학습은 RTX 4070이 설치된 건국대학교 X-Space 의 실습용 컴퓨터를 사용하여 진행되었습니다.

학습시키기

처음으로 해보는 AI 학습이어서 시간이 얼마나 소요될 지 몰라서 하루 정도 학교에서 학습을 진행했습니다.

에포크(epoch)는 최소 50회~150회 반복해야한다고 정보를 확인했지만 시간 문제로 약 33회만 반복해서 진행했습니다.

학습 결과

객체가 잘 검출 되는 것을 확인했습니다. 이제 이 알고리즘을 활용해서 서버를 구현했습니다.

FastAPI 서버 개발기

FastAPI 서버는 단순한 API 제공을 넘어서, 클라이언트의 요청을 받아 YOLO 추론 및 Gemini Vision API 연동까지의 흐름을 매끄럽게 이어주는 역할이었습니다.

프로젝트 구조

server/
├── app/
│   ├── api/               # API 라우터 모듈
│   │   ├── deps.py        # 의존성 주입 함수
│   │   └── v1/
│   │       └── endpoints/
│   │           └── main.py    # 주요 API 엔드포인트
│   ├── core/             # 핵심 설정 (CORS, 세팅 등)
│   ├── models/           # Pydantic 기반 요청/응답 모델
│   ├── services/         # 서비스 로직 (Gemini 연동, YOLO)
│   └── utils/            # 헬퍼 함수들
├── tests/                # 단위 테스트
└── main.py               # FastAPI 진입점

주요 기능 개발기

1. /predict API: 실시간 화재 예측

app/api/v1/endpoints/main.py에 정의된 메인 API로, 프론트엔드에서 전송한 이미지를 바탕으로 YOLO 추론 및 Gemini 분석을 실행합니다.
비동기 방식으로 작성되어, 서버가 멈추지 않고 병렬 처리 가능하게 구성되었습니다.

@router.post("/predict", response_model=PredictionResponse)
async def predict_fire(
    image: UploadFile = File(...)
):
    # 이미지 저장
    saved_path = await save_upload_file(image)
    ...
    # YOLO 추론
    yolo_results = predict_yolo(saved_path)
 
    # Gemini Vision 연동
    gemini_results = query_gemini(saved_path)
    ...
    return result

save_upload_file와 같은 함수는 업로드된 이미지를 로컬 임시 폴더에 저장한 뒤 처리를 진행합니다.

2. YOLO 추론

services/yolo.py 내부의 predict_yolo() 함수에서 사전 학습된 YOLO 모델을 사용하여 이미지를 분석합니다.
PyTorch 기반의 모델을 불러와 이미지를 처리하고, 객체의 라벨 및 좌표를 반환합니다.
경량화 모델을 사용해 빠른 예측 속도 확보를 목표로 했습니다.

def predict_yolo(image_path: str) -> list:
    model = torch.hub.load(...)  # YOLO 모델 로드
    results = model(image_path)
    ...
    return processed_results

3. Gemini Vision 연동

services/gemini.py 모듈은 Google의 Gemini Vision API를 호출하는 역할을 수행합니다.
base64 인코딩 → 프롬프트 구성 → HTTP POST → 응답 파싱의 구조로 되어 있습니다.
실패 시 기본 메시지를 반환하도록 예외처리도 되어 있습니다.

def query_gemini(image_path: str) -> dict:
    encoded = image_to_base64(image_path)
    prompt = "이 이미지는 실제 산불로 보입니까?"
    ...
    response = requests.post(GEMINI_API_URL, json={...})
    return response.json()

4. 웹소켓 실시간 통신 기능

예측 결과를 클라이언트 측 대시보드에 실시간으로 전송하기 위해 WebSocket 관련 기능을 구현했습니다. 이 기능은 실제 관제 시스템처럼, 대시보드에서 예측 결과를 즉시 확인할 수 있도록 합니다.

/ws/alert로 연결된 클라이언트는 소켓 매니저에 등록됨
서버에서 broadcast() 호출 시 연결된 모든 클라이언트에 데이터 전송
연결 종료 시 자동 제거

회고

회고는 4L 방식으로 진행하고자 합니다.

좋았던 것 (Liked)

AI의 실무 적용 경험: AI가 실제 사회 문제 해결에 어떻게 활용되는지 구체적으로 경험할 수 있었습니다.
팀워크의 시너지: 다양한 전문 분야의 팀원들과 협업하며 각자의 강점을 살린 결과물을 만들 수 있었습니다.
완성도 있는 프로토타입: 단순한 개념 증명을 넘어 실제 동작하는 시스템을 구현했습니다.

배운 것 (Learned)

FastAPI의 활용: 빠른 개발 속도와 AI 통합의 용이성을 직접 경험했습니다. 특히 비동기 처리와 자동 문서화 기능의 장점을 깨달았습니다.
WebSocket 실시간 통신: 실시간 데이터 전송의 개념과 구현 방법을 학습했습니다.
머신러닝 파이프라인: 데이터 전처리부터 모델 학습, 추론까지의 전체 워크플로우를 경험했습니다.
API 설계 원칙: RESTful 설계와 에러 핸들링의 중요성을 실감했습니다.

부족했던 것 (Lacked)

아키텍처 설계: AI 추론 서버와 API 서버를 분리하지 못해 시스템 리소스 경합 문제가 발생했습니다. 마이크로서비스 아키텍처 도입이 필요했습니다.
모델 최적화: YOLO 모델의 하이퍼파라미터 튜닝과 충분한 학습 시간 확보가 부족했습니다.

바랬던 것 (Longed For)

충분한 컴퓨팅 리소스: GPU 자원 부족으로 인한 학습 시간 제약이 아쉬웠습니다. 클라우드 GPU 인스턴스 활용을 고려해볼 수 있었을 것입니다.
더 긴 개발 기간: 프로토타입을 넘어 실제 서비스 수준의 안정성과 성능을 확보할 수 있는 시간이 있었다면 좋았을 것입니다.
실제 CCTV 데이터: 시뮬레이션된 환경이 아닌 실제 CCTV 피드를 활용한 테스트 기회가 있었다면 더 현실적인 검증이 가능했을 것입니다.