머신러닝과 분산 시스템을 활용한 몽골 유르트 개수 자동 계수 프로젝트

핵심 기술

머신러닝 객체 탐지 모델(YOLO)과 분산 컴퓨팅 환경(Docker Swarm, FastAPI)을 결합하여 몽골 전역의 유르트(게르) 수를 대규모로 자동 계수한 혁신적인 프로젝트입니다. 이를 통해 도시 성장과 주거 인프라 문제 해결에 필요한 데이터를 확보했습니다.

기술적 세부사항

• 문제 정의: 몽골 제국 역사 및 현대 도시화 맥락에서 유르트 수 파악의 필요성 인식, 특히 울란바토르의 게르 지구 문제 해결을 위한 데이터 확보.
• 데이터 수집: Google 지도 위성 보기를 활용하여 울란바토르 인근 지역의 256x256px 타일 형태 위성 이미지 자동 수집.
• 데이터 라벨링: Label Studio를 이용한 수작업 바운딩 박스 라벨링 및 반복적 피드백 루프를 통한 자동화 수준 향상 (초기 데이터 부족으로 인한 정확도 보완).
• 모델 선택 및 훈련: 객체 검출 알고리즘으로 YOLO11(ultralytics) 채택. Vast.ai GPU 리소스 임대 및 Docker 컨테이너 환경에서 대규모 모델 훈련, S3 저장소로 결과 자동 업로드.
• 데이터 전처리 및 필터링: 몽골 전체 면적 기준 타일 수 산출, Overpass Turbo를 활용하여 거주 가능 지역 필터링 및 검사 타일 집합 축소.
• 분산 처리 아키텍처: Docker Swarm을 활용한 8대 서버(128 vCPU) 클러스터 구성. FastAPI 기반 API 서버와 워커 역할 분리 (검색 영역 할당, 진행 상황 관리, 결과 집계).
• 병렬 처리: 약 270,000여 검색 영역 및 수백만 이미지 병렬 처리.
• 결과: 40% 이상 신뢰도 기준으로 총 172,689개의 유르트 발견.
• 데이터 활용: 토지 이용, 호텔/광산 인근 유르트 분포 등 다양한 사회/경제적 분석에 데이터 공개 및 활용.
• 사회적 맥락: 유목민 전통 주거 형태에서 도시화 과정에서의 게르 지구 형성, 토지 소유권 법, 도시 재개발 정책 등의 사회적 배경 및 과제 분석.

개발 임팩트

• 데이터 기반 의사결정 지원: 몽골의 도시 성장 및 주거 인프라 문제 해결을 위한 실질적인 데이터 제공.
• 기술 실용성 입증: 머신러닝, AI, 분산 시스템, 컨테이너화 기술 등 최신 IT 기술을 실제 사회 문제 해결에 성공적으로 적용한 사례 제시.
• 자동화 및 확장성: 대규모 데이터 처리를 위한 자동화된 워크플로우 및 분산 아키텍처 설계 및 구현 능력 입증.
• 오픈소스 생태계 활용: Label Studio, YOLO, Docker, FastAPI 등 다양한 오픈소스 도구를 효과적으로 조합하여 프로젝트 완성.

커뮤니티 반응

• 커뮤니티는 몽골의 문화적 맥락에서 게르의 중요성을 강조하며, 기술적 접근뿐만 아니라 사회적, 문화적 의미를 간과하지 않도록 하는 의견을 제시했습니다.
• OpenStreetMap(OSM) 데이터 활용 가능성과 한계점(라이선스, 정렬 문제 등)에 대한 논의가 있었습니다.
• 오탐지율, 예측 점수 해석, 훈련 모델의 토폴로지/아키텍처 등에 대한 기술적인 질문과 호기심이 나타났습니다.
• Google 지도 이미지 다운로드의 약관 위반 가능성에 대한 지적과 이에 대한 대처 방안에 대한 의견이 있었습니다.
• 본 프로젝트가 호주 정부의 유사 작업과 비교하여 효율적이라는 긍정적인 평가가 있었습니다.