Author: Hansung Cho

본 프로젝트는 건설 현장에서 PPE(안전 장비) 착용 여부를 자동 감지하는
YOLOv8 기반 End-to-End Computer Vision 시스템입니다.

Google Colab 모델 학습 → FastAPI 서버 → 웹 프론트엔드 UI →
실시간 웹캠 감지까지 포함한 Full Pipeline Project입니다.

• PPE Dataset (Hardhat, Mask, Safety Vest, Person 등 10 classes)
• custom_colab.yaml 기반 데이터 구성
• YOLOv8n 모델 fine-tuning
• best.pt 모델 가중치 생성
• mAP50, mAP50-95, Precision, Recall 분석

• 업로드 이미지 → YOLO 모델 추론
• 감지된 결과 이미지를 base64로 반환
• Frontend에서 요약 테이블 + 경고 UI 표시

• webcam.html → 브라우저 실시간 웹캠 감지
• webcam_ppe.py → 로컬 웹캠 감지
• 위험 클래스 감지 시 알림(Warning UI)

• FastAPI 기반 YOLOv8 추론 서버를 Docker로 컨테이너화
• 환경 충돌 없이 어디서나 실행 가능한 재현성 높은 배포 환경 제공

YOLO_PPE/
├── backend/
│ ├── app.py # FastAPI backend server
│ └── model/
│ └── best.pt # Trained YOLOv8 PPE model
│
├── frontend/
│ ├── index.html # Image upload PPE detection UI
│ ├── webcam.html # Real-time webcam detection UI
| └── screenshots/
│
├── local/
│ └── webcam_ppe.py # Local Python webcam detection
│
├── training/
│ ├── custom_colab.yaml # Dataset yaml
│ ├── YOLO_PPE.ipynb # Full training / evaluation notebook
│ └── screenshots/
│
└── README.md

Test 성능은 최종 제출용이므로 README에는 포함하지 않음.

cd backend
pip install -r requirements.txt
uvicorn app:app --reload

• frontend/index.html → 이미지 업로드 감지
• frontend/webcam.html → 실시간 웹캠 감지
  브라우저에서 파일을 직접 열어도 실행됩니다.

python local/webcam_ppe.py

• YOLOv8 기반 PPE 전용 객체 탐지
• NO-Mask, NO-Hardhat 등 위험 요소 자동 경고
• 이미지 업로드/실시간 웹캠 감지 지원
• FastAPI + HTML/JS Web UI
• Custom dataset 기반 fine-tuning 경험
• End-to-End Full Pipeline 구현

You can access the model here:

• YOLOv8 (Ultralytics)
• PyTorch
• Google Colab
• FastAPI / Uvicorn
• HTML / CSS / JavaScript
• OpenCV
• Git & GitHub

Colab 학습 로그는 아래 노트북에 기록되어 있습니다:

training/YOLO_PPE.ipynb

• YOLOv8 fine-tuning 전체 pipeline 이해
• Validation 성능 해석 (mAP/Precision/Recall)
• 실시간 웹 비전 시스템 구축
• Frontend–Backend–Model 연동 구조 이해
• base64 이미지 송수신 구조 구현

본 프로젝트는 FastAPI 기반 YOLOv8 PPE Detection 서버를
Docker로 컨테이너화하여 환경 충돌 없이 바로 실행할 수 있도록 구성했습니다.
Docker 이미지를 이용하면 어떤 환경에서도 동일한 설정으로 손쉽게 재현할 수 있습니다.

docker pull hansungcho/ppe-fastapi:latest

docker run -d -p 8000:8000 --name ppe-server hansungcho/ppe-fastapi

서버 실행 후 API는 아래에서 확인할 수 있습니다:

• Swagger UI → http://localhost:8000/docs
• Predict Endpoint → http://localhost:8000/predict

Docker를 이용해 AI 추론 서버를 컨테이너화함으로써 다음과 같은 이점을 얻었습니다:

• OS에 관계없이 동일한 환경
• 패키지 버전 충돌 및 의존성 문제 해결
• 빠른 재현성 확보
• 클라우드·온프레미스 환경 모두에서 배포 가능
• FastAPI + YOLOv8 환경을 그대로 독립 실행 가능

이번 프로젝트에서는 Dockerfile 구성부터 이미지 빌드, 배포 테스트까지 수행하여
엔드투엔드 AI 시스템의 배포 가능한 형태를 완성했습니다.

문의: [email protected]