Roboflow Safety Helmet ONNX 모델이란? 안전모 감지의 개념과 활용

“안전모 착용 여부를 카메라로 자동 감지하고 싶다”는 요구는 건설 현장, 제조 공장 가릴 것 없이 꽤 흔하게 등장합니다. 직접 모델을 학습시키려면 데이터 수집부터 라벨링, 학습, 최적화까지 몇 달이 걸릴 수도 있는데, Roboflow가 이 흐름을 상당히 단축시켜 줍니다. 그 중심에 있는 게 바로 ONNX 포맷으로 내보낸 Safety Helmet 탐지 모델입니다.

Roboflow의 Safety Helmet 모델이란?

Roboflow Universe는 커뮤니티가 공유하는 수천 개의 컴퓨터 비전 데이터셋과 사전 학습 모델 허브입니다. Safety Helmet 탐지 모델은 그 중에서도 가장 많이 사용되는 산업 안전 관련 모델 중 하나로, 헬멧을 착용한 사람(helmet)과 착용하지 않은 사람(no-helmet)을 실시간으로 구분하도록 학습되어 있습니다.

기반 아키텍처는 주로 YOLOv8(또는 YOLOv5)입니다. 바운딩 박스 + 클래스 레이블 형태의 객체 탐지 모델이라 단순히 “있냐 없냐”가 아니라 화면에서 어디에 누가 헬멧을 쓰지 않았는지를 좌표로 특정할 수 있습니다.

ONNX 포맷이 왜 등장하나?

ONNX(Open Neural Network eXchange)는 PyTorch, TensorFlow 등 서로 다른 프레임워크 간에 모델을 호환 가능하도록 만들기 위한 개방형 포맷입니다. Roboflow에서 모델을 내보낼 때 ONNX를 선택하면, 학습에 쓴 프레임워크와 무관하게 다양한 런타임에서 실행할 수 있습니다.

“onnc”는 맥락에 따라 ONNX의 오타로 쓰이기도 하고, 별도로 ONNC(Open Neural Network Compiler, SKYMIZER)를 가리키기도 합니다. 하지만 Roboflow에서 내보내는 파일 포맷은 .onnx이고, 추론에는 onnxruntime을 사용하는 게 일반적입니다.

모델 파일 구조와 입출력

ONNX 모델은 계산 그래프를 직렬화한 단일 .onnx 파일 하나로 배포됩니다. YOLOv8 기반 Safety Helmet 모델의 경우 입출력 형태는 대략 다음과 같습니다:

입력: [1, 3, 640, 640] — 배치 1, RGB, 640×640 픽셀 이미지
출력: [1, 5, 8400] — 박스 좌표(cx, cy, w, h) + 클래스 점수

8400은 YOLOv8이 내부적으로 생성하는 앵커 후보 수입니다. 후처리 단계(NMS, Non-Maximum Suppression)에서 신뢰도 임계값 아래의 박스를 걸러내면 실제 탐지 결과만 남습니다.

Python으로 추론해 보기

onnxruntime만 있으면 PyTorch 없이도 추론이 가능합니다.

pip install onnxruntime opencv-python

추론 코드 예시

import cv2
import numpy as np
import onnxruntime as ort

session = ort.InferenceSession("safety-helmet.onnx", providers=["CPUExecutionProvider"])
input_name = session.get_inputs()[0].name

img = cv2.imread("site.jpg")
img_resized = cv2.resize(img, (640, 640))
img_input = img_resized.transpose(2, 0, 1)[np.newaxis, ...].astype(np.float32) / 255.0

outputs = session.run(None, {input_name: img_input})
# outputs[0].shape == (1, 5, 8400)

실제 바운딩 박스를 그리려면 출력 텐서에서 신뢰도(conf) 기준으로 필터링하고 원본 이미지 크기에 맞게 좌표를 역변환해야 합니다. Roboflow의 inference SDK를 쓰면 이 후처리 로직이 감춰져 있어 코드가 훨씬 짧아집니다.

from inference import get_model

model = get_model("safety-helmet-detection/1")
results = model.infer("site.jpg")
print(results)  # 바운딩 박스 + 클래스 레이블 리스트

직접 쓸 때 주의할 점

데이터 편향: Roboflow Universe의 Safety Helmet 모델은 특정 헬멧 색상(주로 노란색·주황색·흰색)에 치우쳐 있는 경우가 많습니다. 현장 헬멧이 다양한 색상이라면 파인튜닝이 필요할 수 있습니다.

해상도와 속도: 640×640 입력이 기본이라 저사양 기기에서 실시간 처리를 하려면 모델 경량화(INT8 양자화, TensorRT 변환 등)를 검토해야 합니다.

각도·가림: 측면이나 후면에서 촬영된 헬멧, 또는 헬멧이 부분적으로 가려진 경우 탐지 정확도가 낮아질 수 있습니다. 카메라 설치 위치가 성능에 직접적인 영향을 줍니다.

라이선스 확인: Roboflow Universe의 모델마다 라이선스가 다릅니다. 상업 용도로 사용할 경우 해당 모델 페이지의 라이선스 조항을 반드시 확인하세요.

처음부터 데이터를 모으고 학습시키는 대신, Roboflow의 사전 학습 ONNX 모델을 출발점으로 삼으면 PoC를 빠르게 만들 수 있습니다. 거기서 실제 현장 데이터로 파인튜닝하는 흐름이 실용적이라고 생각합니다.