Focus Drive

Focus Drive는 운전 중 졸음 상태를 실시간으로 감지하고, 경고음을 통해 운전자에게 위험을 알리는 모니터링 시스템이다.
OpenCV를 사용해 웹캠으로부터 프레임 이미지를 수집하고, Google Cloud Vertex AI AutoML Vision을 통해 졸음 여부를 분류한다.

--_

프로젝트 개요

운전 중 졸음은 교통사고의 주요 원인 중 하나이다.
Focus Drive는 졸음 운전 사고를 예방하고자, 운전자의 눈 상태를 기반으로 실시간 졸음 여부를 판단하고 즉시 경고음을 발생시킨다.

• 웹캠 영상 수집 및 실시간 처리
• GCP AutoML Vision으로 졸음 상태 분류
• 졸음 감지 시 경고음 출력

---

기술 스택

• Python 3.10
• OpenCV: 실시간 프레임 수집
• Google Cloud Platform (Vertex AI AutoML Vision, Cloud Storage)
• pygame: 경고음 출력
• requests: Vertex AI endpoint 호출

---

시스템 아키텍처

1. OpenCV로 실시간 프레임을 수집한다.
2. Vertex AI AutoML Vision에 이미지를 전송해 졸음 여부를 예측한다.
3. 예측 결과가 'DROWSY'일 경우 pygame으로 경고음을 출력한다.

---

주요 기능

기능명	설명
졸음 탐지	실시간으로 운전자 얼굴 이미지를 분류 (NATURAL / DROWSY)
경고 시스템	졸음 감지 시 즉각 경고음을 출력
실시간 처리	프레임 수집 → 예측 → 반응까지 1초 이내 처리

---

GCP 활용 모델 학습 및 배포

Focus Drive는 GCP Vertex AI AutoML Vision을 활용해 졸음 여부를 분류하는 모델을 사용한다.
초기 실행을 위해 사용자는 아래 과정을 따라 직접 모델을 학습하고 배포해야 한다.

자세한 설명은 아래 블로그에서 확인할 수 있다:

• 데이터셋 업로드 및 모델 학습
• 모델 배포 및 API 키 설정

---

준비 절차 요약

1. GCP 콘솔에서 AutoML Vision 데이터셋 생성
2. 이미지 업로드 및 라벨 지정 (NATURAL, DROWSY)
3. 모델 학습 후 Vertex AI에서 배포 (endpoint 생성)
4. endpoint ID를 확보하여 코드에 반영
5. 서비스 계정 생성 및 .json 형식의 API 키 발급
6. 해당 키 파일을 프로젝트 디렉토리에 위치시킴

---

실행 준비 방법

• .json API 키 파일을 프로젝트 폴더에 두고, 코드에서 이를 참조한다.
• endpoint 값은 사용자가 배포한 실제 모델의 ID로 수정한다:

endpoint = "projects/your-project-id/locations/us-central1/endpoints/XXXXXXXXXXXXXXX"

• 모든 설정이 완료되면 아래 명령어로 실행할 수 있다:

python realtime_drowsy.py

---

실행방법

1. 가상환경 생성 및 패키지 설치

conda create -n focusdrive python=3.10
conda activate focusdrive
pip install -r requirements.txt

2. 실시간 감지 시스템 실행

python realtime_drowsy.py

---

프로젝트 구조

FocusDrive/
├── realtime_drowsy.py      # 실시간 졸음 감지 실행 파일
├── alarming.wav            # 경고음 오디오 파일
├── requirements.txt        # 의존성 목록
└── README.md

---

모델 학습 정보

• 분류 클래스: NATURAL / DROWSY
• 학습 플랫폼: Vertex AI AutoML Vision
• 데이터셋: Kaggle Drowsiness Dataset, Yawn Video Dataset
• 라벨링: 수동 라벨링 후 CSV 업로드
• 검증 정확도: 약 94.1%

---

회고 및 개선 사항

• GCP 키 인증 오류

  • 서비스 계정 키 파일을 등록했음에도 인증 오류가 반복되었고, API 호출이 계속 실패했다. 원인을 정확히 알기 어려웠고, 기존 프로젝트에서 설정이 꼬인 것으로 판단해 새 계정과 프로젝트로 전환했다.
  • 이 경험을 통해 GCP 인증은 단순히 키 파일만으로 해결되는 것이 아니라, IAM 역할 부여, API 사용 설정, 프로젝트 연동이 유기적으로 작동해야 한다는 점을 이해하게 되었다.

• AutoML 노드 제한으로 인한 배포 실패

  • 모델 학습은 문제없이 완료되었으나, 배포 단계에서 "AutoMLImageClassificationDeployedModelNodes exceeded" 오류가 발생하며 배포에 실패했다.
  • GCP에서는 리소스가 기본적으로 매우 낮은 제한(Quota)으로 설정되어 있으며, 이를 사전에 파악하고 할당량을 관리하는 것이 중요하다는 점을 배웠다.

• 크레딧 소진으로 인한 프로젝트 전환

  • GCP 무료 크레딧이 빠르게 소진되어 모델 배포와 예측 테스트가 중단되었고, 최종적으로는 새 계정을 생성해 프로젝트를 재구성했다.
  • 실습/개발 단계에서도 비용과 리소스를 염두에 둔 설계가 필요하며, 클라우드 기반 프로젝트의 경우 요금 정책과 소모 구조를 이해하는 것이 매우 중요하다는 점을 깨달았다.