이 리포지토리는 실제 Google Play 스토어에 출시된 AI 퍼스널 컬러 진단 서비스 Toneiverse의 핵심 백엔드 및 딥러닝 기술 스택을 집약한 기술 쇼케이스입니다. 본 프로젝트는 상용 서비스를 목적으로 개발되었으며, 실제 운영 환경에서의 성능과 유지보수성을 고려하여 설계되었습니다.
Oracle Cloud 환경에 배포되어 상용 서비스를 지탱하는 고성능 백엔드 아키텍처입니다.
- Microservice Architecture: Docker 컨테이너 기반의 독립적이고 확장 가능한 서버 구조.
- Professional Model Serving: YOLOv26, EfficientNet 모델을 FastAPI와 최적화하여 연동, 실시간에 가까운 추론 속도 확보.
- LLM Contextual Analysis: Gemini API를 활용한 자연어 기반 맞춤형 뷰티 컨설팅 로직 구현.
- Relational Data Modeling: PostgreSQL을 활용한 체계적인 유저 데이터 및 서비스 기록 관리.
서비스의 핵심 지능인 딥러닝 엔진입니다.
- State-of-the-Art Architecture: YOLOv12를 넘어선 YOLOv26의 객체 지향(Object-Oriented) 아키텍처를 적용하여 정교한 세그먼테이션과 분류 수행.
- Optimized Data Engineering: Roboflow 및 OpenCV를 활용한 고효율 학습 데이터 파이프라인 구축.
- Production-Ready Validation: Confusion Matrix 분석 등 검증된 성과 지표를 바탕으로 한 상용 수준의 모델링.
학습 데이터의 다양성과 양을 확보하기 위해 Roboflow Universe의 방대한 데이터셋을 활용하였습니다.
- Automated Pipeline: Roboflow API를 연동하여
Personal Color,Facekind,Lipstick등 성격이 다른 다수의 데이터셋을 자동으로 다운로드하고 통합하는 스크립트 구현. - Diverse Datasets: 웜톤/쿨톤 분류 뿐만 아니라 얼굴형, 립스틱 발색 등 서비스에 필요한 다각도의 데이터를 수집.
수집된 이질적인 데이터셋들을 하나의 통일된 YOLO 학습 규격으로 정규화하는 전처리 과정을 거쳤습니다.
- Unified Integration: 서로 다른 소스의 데이터를 하나의
datasets폴더로 통합하고, 클래스 인덱스를 재정의하여 레이블 일관성 확보. - Structure Optimization:
images와labels폴더 구조를 YOLO 표준에 맞춰 재배치하고, 데이터셋 간 중복 제거 및 클리닝 수행. - Data Augmentation: OpenCV를 활용한 이미지 리사이징 및 정규화를 통해 모델의 범용적 성능 최적화.
- Innovative Architecture: 최신 YOLOv26 아키텍처 적용을 통한 기술적 차별화.
- Hybrid AI System: 딥러닝(CV)과 LLM(NLP)을 결합한 하이브리드 인공지능 추천 시스템 구축.
| 카테고리 | 사용 기술 (Stack) |
|---|---|
| OS | |
| IDE & Tools | |
| Language | |
| AI & Deep Learning | |
| Backend & Infra | |
| Data Collection | |
| Data Preprocessing |