2026.03 · 페블러스 데이터커뮤니케이션팀
읽는 시간: ~13분 · English
Executive Summary
이 글은 DataClinic 리포트 #225를 바탕으로 작성되었습니다. PBLS_Military 3종은 K9 자주포, M35A2 트럭(덮개 있음), M35A2 트럭(덮개 없음) 3개 클래스 각 648장, 합계 1,947장으로 구성된 합성 군사 데이터셋입니다.
DataClinic 종합 점수 79점(보통). 10종 버전(68점)보다 11점 높습니다. 클래스 균형·무결성·다양성은 모두 우수하지만, L2·L3에서 공통적으로 분포 나쁨이 나타납니다. 카메라 각도(cm) 파라미터가 만들어내는 다봉형 클러스터가 이 점수를 억누르는 핵심 원인입니다.
특히 이번 포스트에서는 DataClinic의 고밀도·저밀도 샘플 이미지를 직접 가져와, 어떤 파라미터 조합이 '전형적'이고 어떤 것이 '이상치'인지를 실제 합성 이미지로 확인합니다.
DataClinic 등급 요약
왜 3종인가 — 포병과 물자 수송의 전술적 쌍
PBLS_Military(224)가 10종의 다양한 무기체계를 담았다면, 이번 225 데이터셋은 특정 전술 조합에 집중합니다. K9 자주포 1종과 M35A2 트럭 2종(덮개 유무)입니다.
이 조합은 우연이 아닙니다. 현대 포병 전투에서 자주포(K9)와 보급 트럭(M35A2)은 항상 함께 등장합니다. 자주포는 화력을 제공하고, 트럭은 탄약·연료·물자를 보급합니다. AI 모델이 전장 이미지에서 "저 차량은 보급차인가, 전투 장비인가"를 구별하는 것은 전술 상황 인식의 핵심입니다.
K9 자주포
155mm 자주포. 고속 기동과 자체 장전 능력. 세계 14개국 수출.
M35A2 트럭 (덮개)
군용 2.5톤 카고 트럭. 덮개(tarpaulin)가 화물 적재함을 가림.
M35A2 트럭 (무덮개)
동일 차체, 덮개 없음. 화물 적재함 구조물이 노출된 상태.
M35A2의 두 상태(덮개 있음/없음)를 별도 클래스로 관리한다는 점이 흥미롭습니다. 현실에서 M35A2는 임무에 따라 덮개를 씌우거나 벗기기 때문에, AI 모델이 두 상태를 같은 차량으로 인식하는 것이 중요합니다. 이것은 동일 객체의 상태 변화(state variation)를 학습시키기 위한 의도적 설계입니다.
합성데이터의 설계도 — 파일명이 말하는 것
합성데이터의 강점 중 하나는 생성 파라미터를 완전히 제어할 수 있다는 점입니다. PBLS_Military 3종의 파일명은 이 파라미터 체계를 그대로 드러냅니다.
et = entity type # et1=K9자주포, et2=M35A2, et3=M35A2_uncovered
cm = camera # cm1=정면, cm2=측면, cm3=대각선 카메라
sn = scene # sn1~sn4: 씬 번호 (장비 자세·배치)
en = environment # en1~en9: 조명·날씨·시간대
bg = background # bg1~bg9: 배경 지형 (초원·사막·도시 등)
cl01 = class label
이 파라미터 체계는 이론상 3종 × 3카메라 × 4씬 × 9환경 × 9배경 = 2,916가지 조합을 만들 수 있습니다. 실제 클래스당 648장은 전체 조합의 약 22%에 해당합니다. 따라서 각 클래스에는 다양한 파라미터 조합이 들어있지만, 일부 조합은 반복되거나 아예 포함되지 않을 수 있습니다.
이 파라미터 구조는 나중에 살펴볼 L2 분포 나쁨의 직접적 원인이 됩니다. 카메라 각도(cm)가 달라지면 임베딩 공간에서 이미지들이 서로 다른 클러스터에 위치하게 됩니다 — 마치 같은 물체를 다른 각도에서 찍은 사진이 서로 다른 물체처럼 보이는 것과 같습니다.
3종 갤러리 — 실제 샘플과 평균 이미지
▲ PBLS_Military 3종 합성 데이터셋 콜라주 — K9 자주포, M35A2 (덮개), M35A2 (무덮개) 1,947장
각 클래스의 대표 샘플 이미지(좌)와 픽셀 평균 이미지(우)를 나란히 봅니다. 평균 이미지는 해당 클래스 648장을 픽셀 단위로 평균한 결과로, 이미지가 선명할수록 구도와 자세의 일관성이 높다는 의미입니다.
155mm 52구경장 자주포. 독일 PzH 2000와 함께 세계 최고 수준의 자주포로 평가받으며, 폴란드·노르웨이·인도·호주 등 14개국에 수출됐습니다. 평균 이미지를 보면 포신 방향과 차체 윤곽이 상당히 선명하게 드러납니다 — 648장 전체에서 자주포의 기본 실루엣이 일관되게 유지된다는 증거입니다.
2.5톤 군용 카고 트럭. 화물 적재함에 캔버스 덮개(tarpaulin)가 씌워진 상태입니다. 평균 이미지에서 트럭 정면부와 덮개 형태가 비교적 선명하게 보입니다. 다만 K9에 비해 평균 이미지가 약간 더 흐릿한데, 이는 배경 변화에 따른 색상 분산이 더 크기 때문입니다.
동일한 M35A2 차체이지만 화물 적재함 덮개가 없습니다. 적재함의 금속 구조물(리브·사이드 패널)이 노출됩니다. 평균 이미지가 덮개 버전보다 전반적으로 더 흐릿하게 나타납니다 — 덮개 없이 노출된 적재함 구조물이 씬 번호(sn)에 따라 다른 각도로 보이기 때문입니다.
▲ 실제 샘플(좌)과 픽셀 평균(우). K9는 가장 선명한 평균 이미지를 보이며, M35A2_uncovered는 가장 흐릿합니다 — 이 선명도 차이가 클래스별 다양성을 직관적으로 나타냅니다.
Level 1 — 기초 품질 전항목 "좋음"의 의미
Level 1은 픽셀 수준의 기초 체력 검사입니다. 무결성·결측치·클래스 균형·통계 측정 — 4개 항목 모두 좋음을 받았습니다. 10종 버전(L1 통계: 나쁨)보다 개선된 결과입니다.
| 항목 | 등급 | 세부 내용 |
|---|---|---|
| 이미지 무결성 | ✅ 좋음 | RGB 채널 100%, 1336~1344×768px 균일 |
| 결측값 | ✅ 좋음 | 결측치 없음 — 모든 항목 완전 |
| 클래스 균형 | ✅ 좋음 | K9: 648, M35A2: 648, M35A2_uncovered: 648 (SD=0.0) |
| 통계 측정 | ✅ 좋음 | 픽셀 평균 이미지 분석: 다양한 구조·시점 혼합 → 높은 다양성 |
SD=0.0의 완벽한 클래스 균형은 합성데이터의 가장 큰 장점 중 하나입니다. 실제 촬영 데이터였다면 어떤 클래스는 더 많이, 어떤 클래스는 더 적게 찍히는 불균형이 발생합니다. 합성데이터는 클래스당 정확히 648장을 생성하도록 제어할 수 있습니다.
L1 통계 측정이 좋음으로 나온 것도 주목할 만합니다. 평균 이미지가 '노이즈'처럼 보이지 않고 구조물 형태가 식별된다는 것은, 각 클래스 내에서 장비의 기본 실루엣과 배치가 일관되게 유지됨을 의미합니다. 다양한 배경(bg)과 환경(en) 파라미터가 섞여 있어도, 장비 자체의 시각적 일관성은 확보됐습니다.
K9 — 가장 선명한 평균
포신·차체 윤곽이 뚜렷 → 높은 시각적 일관성
M35A2_uncovered — 가장 흐릿한 평균
적재함 구조물이 씬별로 다르게 노출 → 낮은 일관성
▲ 같은 데이터셋 내에서도 클래스마다 다양성 수준이 다릅니다.
Level 2 — 범용 렌즈가 본 다봉형 분포의 정체
Level 2는 Wolfram ImageIdentify Net V2(1,280차원) 범용 신경망 렌즈로 이미지를 관찰합니다. 이 렌즈는 군사 데이터에 특화되지 않은 일반 이미지 인식 모델입니다.
기하 특성: 보통
녹색·회색 카모플라주 패턴, 중형~대형 크기, 자연 환경 배경이 일관됩니다. 그러나 범용 렌즈는 K9 자주포와 M35A2 트럭을 "군용 차량"이라는 상위 범주로 묶어버리는 경향이 있습니다 — 두 클래스의 기하적 특징이 겹치는 영역이 존재한다는 뜻입니다.
분포 특성: 나쁨 — 다봉형(multimodal)의 원인
L2 분포가 나쁨으로 평가된 이유는 다봉형(multimodal) 분포입니다. 밀도 분포에서 여러 개의 봉우리가 나타납니다. 이것은 같은 클래스 내에서도 이미지들이 특징 공간(feature space)에서 단일하게 모이지 않고 여러 그룹으로 분리된다는 의미입니다.
파일명 분석을 통해 그 원인을 추론할 수 있습니다. DataClinic이 찾아낸 가장 유사한 이미지 쌍을 보면:
M35A2 — et2_cm1_sn4_en1_bg6
density 0.128 | 카메라: cm1(정면)
M35A2 — et2_cm1_sn4_en2_bg5
density 0.142 | 카메라: cm1(정면)
▲ 가장 유사한 쌍: 둘 다 cm1(정면 카메라), sn4(동일 씬). 환경(en)과 배경(bg)만 다릅니다.
가장 유사한 이미지들은 카메라 각도(cm)와 씬(sn)이 동일합니다. 반대로 가장 다른(farthest) 이미지들을 보면:
M35A2 — et2_cm2_sn2_en4_bg4
density 0.067 | 카메라: cm2(측면)
K9 — et1_cm1_sn2_en1_bg9
density 0.068 | 배경: bg9(극단 배경)
▲ 가장 다른 쌍: 카메라 각도(cm)와 배경(bg)이 다릅니다. bg9처럼 극단적 배경이 이상치로 이어집니다.
결론: L2 다봉형 분포의 주원인은 카메라 각도(cm) 파라미터입니다. cm1(정면), cm2(측면), cm3(대각선)로 찍힌 같은 장비가 범용 렌즈의 특징 공간에서 서로 다른 클러스터를 형성합니다. 이는 합성데이터의 고유한 특성이지 — 데이터 품질 결함이 아니라 — 다양한 카메라 각도를 의도적으로 포함시킨 설계의 결과입니다.
🔬 페블로스코프로 본 다봉형 클러스터
아래는 M35A2 무개형 트럭(m35a2_uncovered)의 L2 임베딩을 페블로스코프로 시각화한 스냅샷입니다. 같은 클래스 안에서 배경 환경에 따라 두 개의 뚜렷한 클러스터가 형성되는 것을 확인할 수 있습니다.
오렌지 클러스터 (Community 0-0, n=30) — 화염·폭발 배경. 야간 전투 환경에서 촬영된 이미지들이 임베딩 공간 상단에 독립 클러스터를 형성합니다.
파란 클러스터 (Community 0-3, n=23) — 일반 배경(초원, 사막, 안개). 주간·평시 환경의 트럭 이미지들이 하단에 모여 있습니다.
▲ 페블로스코프 스냅샷에서 직접 탐색하기 → 각 노드를 클릭하면 실제 이미지를 확인하고, 동료에게 코멘트를 남길 수 있습니다.
밀도
실제
밀도
실제
밀도
실제
▲ L2 밀도 분포(좌) + 대표 이미지(우). 세 클래스 모두 다봉형으로, 카메라 각도에 따른 서브그룹이 별도의 봉우리를 형성합니다.
Level 3 — 군사 특화 렌즈가 드러낸 진실
Level 3는 300만 이미지로 학습된 265층 40차원 최적화 렌즈를 적용합니다. 이 렌즈는 군사 도메인에 특화돼 있어, 범용 렌즈(L2)가 놓친 세부 특성을 포착합니다.
기하 특성: 좋음 ↑
L2에서 보통이었던 기하 등급이 L3에서는 좋음으로 상승합니다. 군사 특화 렌즈는 K9와 M35A2의 차이를 훨씬 명확하게 구분합니다. 군용 장갑차 중심의 단일 클러스터가 형성되며, 밀도 평균 0.829, 이상치 비율 7.4% 이하로 안정적인 구조를 보입니다.
이것이 의미하는 바: 군사 특화 AI가 이 데이터셋을 학습하면 K9와 M35A2를 올바르게 구별할 가능성이 높습니다. 단순히 "군용 차량"으로 뭉뚱그리지 않는다는 것이죠.
분포 특성: 나쁨 — 여전한 다봉형
L3에서도 분포는 여전히 나쁨입니다. 군사 렌즈로 보더라도 같은 클래스 내에서 카메라 각도별 서브클러스터가 존재합니다. 전체적으로 높은 관련성을 보이지만, 이 다봉형 구조는 해소되지 않습니다.
밀도
실제
밀도
실제
밀도
실제
▲ L3 밀도 분포(좌) + 대표 이미지(우). L2보다 전반적으로 밀집됐지만, 다봉형 구조는 여전히 남아있습니다.
전형 vs 이상치 — 실제 이미지로 품질 읽기
DataClinic의 이상치 분석은 각 클래스에서 가장 전형적인 이미지(고밀도)와 가장 이례적인 이미지(저밀도)를 식별합니다. 이 두 종류의 실제 샘플을 비교하면, 어떤 파라미터 조합이 품질 문제를 일으키는지 직접 확인할 수 있습니다.
🔫 K9 자주포 — 전형 vs 이상치
▲ K9 고밀도(위) vs 저밀도(아래). 저밀도 이미지는 en1(극단 조명/날씨)이나 bg9(특이 배경)을 가집니다.
🚛 M35A2 (덮개) — 전형 vs 이상치
▲ M35A2 고밀도는 모두 cm1(정면)입니다. 저밀도는 cm3(대각선)·cm2(측면)로, 카메라 각도가 이상치 발생의 핵심 요인임을 확인합니다.
🚚 M35A2 (무덮개) — 전형 vs 이상치
▲ 무덮개 트럭도 고밀도는 cm1(정면) 중심, 저밀도는 cm3·cm2 또는 en1 조합이 다수입니다.
📊 고밀도·저밀도 파라미터 패턴 요약
| 구분 | 카메라(cm) | 환경(en) | 배경(bg) | 품질 의미 |
|---|---|---|---|---|
| ✅ 고밀도 (전형) | cm1 정면이 압도적 | en2~en6 (주간, 일반 조건) | bg2~bg6 (자연 지형) | 클래스 내 밀집 → 학습 효율 ↑ |
| ⚠️ 저밀도 (이상치) | cm3·cm2 대각·측면 | en1 (극단 조명·야간) | bg1·bg7·bg9 (특이 지형) | 분포 이탈 → 모델 혼동 ↑ |
이 패턴은 중요한 통찰을 줍니다. 저밀도 이상치는 데이터 오류가 아닙니다. cm3(대각선 카메라), en1(극단 환경), bg9(특이 배경)는 모두 의도적으로 포함된 합성 조건들입니다. 문제는 이 조건들이 특징 공간에서 나머지 이미지들과 멀리 떨어진다는 것입니다.
이는 실전 AI 모델에게 중요한 도전입니다: 야간이나 역광 조건(en1), 극단적 지형(bg9)에서 촬영된 장비는 낮에 평지에서 찍힌 같은 장비와 다르게 처리될 수 있습니다. 이런 이상치 이미지들이 훈련 세트에 충분히 포함돼야 실전에서 강건한 인식이 가능합니다.
개선 제안 — 79점을 90점으로
DataClinic의 권고와 실제 이미지 분석을 종합하면 다음 세 가지 방향이 도출됩니다.
① 카메라 각도 보강
cm1(정면) 위주에서 cm2·cm3 비율을 높여 다양한 관측 각도에서의 학습 기회 증가. 특히 항공 관측 각도(탑다운)를 추가하면 드론 인식에 유리합니다.
② 극단 환경 추가
en1(야간·역광) 및 bg9 조합 이미지를 현재보다 더 균형 있게 추가. 이상치를 줄이는 게 아니라 이상치 조건의 이미지를 늘려야 합니다 — 실전은 항상 야간에도 발생합니다.
③ 두 M35A2 쌍 학습 강화
M35A2와 M35A2_uncovered의 공통 씬(sn)·환경(en) 조합 이미지를 늘려, 덮개 유무만 다른 쌍 이미지 학습을 강화. 동일 객체 상태 변화(state change) 인식 정확도 향상.
현재 데이터셋은 큰 결함이 없어 그대로 학습에 투입해도 됩니다. 다만 L2·L3 분포 나쁨을 개선하려면 다봉형 클러스터의 원인인 카메라 각도별 이미지 수를 더 균형 있게 조정하는 소규모 추가 생성이 효과적입니다.
실전 시나리오 — 만약 AI가 틀린다면?
데이터 품질 진단은 숫자로 끝나지 않습니다. 이 데이터로 훈련된 AI가 실전에서 어떤 오류를 범할 수 있는지 — 이것이 진짜 질문입니다.
⚠️ 시나리오: 대각선 각도 + 극단 환경의 K9 자주포
저밀도 영역(cm3·en1)에 해당하는 K9 이미지 — AI가 이 파라미터 조합을 거의 학습하지 못했습니다.
원인: cm3·en1 조합은 두 클래스 모두에서 저밀도 영역 — AI가 이 조건을 충분히 학습하지 못해 K9와 M35A2의 구별 신뢰도가 떨어집니다.
🔄 반대 방향의 오류도 가능합니다
저밀도 M35A2 트럭(cm3 대각선)을 고밀도 K9 자주포 패턴으로 오인하면, 보급차를 전투 장비로 위협 과대평가하게 됩니다. 아군 보급선에 불필요한 교전 경보가 발령되거나, 보급 차량의 이동이 지연될 수 있습니다. 두 방향 모두 저밀도 파라미터 조합의 학습 부족이 원인입니다.
✅ 해결: 저밀도 파라미터 조합 보강
cm3(대각선) × en1(극단 환경) 조합의 K9 이미지를 추가 생성하면, 저밀도 영역이 채워지면서 AI의 판단 근거가 강화됩니다. 현재 648장 중 이 조합은 극소수 — 목표 85점+ 달성을 위한 핵심 보강 포인트입니다.
저밀도 파라미터 조합 보강은 점수 개선뿐 아니라, 야간·극단 환경에서의 AI 판단력을 직접 강화합니다.
결론
PBLS_Military 3종은 집중 설계된 합성 군사 데이터셋입니다. K9 자주포와 M35A2 트럭(덮개 유무)이라는 전술적 쌍을 완벽한 클래스 균형으로 담았고, L1 전항목 좋음이라는 탄탄한 기초 품질을 확보했습니다.
DataClinic 79점의 감점 요인은 의도된 다양성에서 비롯된 다봉형 분포입니다. 카메라 각도(cm), 극단 환경(en1), 특이 배경(bg9)은 모두 의도적으로 포함된 파라미터들이지만, 범용 신경망 렌즈와 군사 특화 렌즈 모두에서 이들이 별도 클러스터를 만듭니다. 이것은 결함이 아니라 실전 환경의 다양성을 반영한 설계 선택입니다.
이번 분석에서 DataClinic의 고밀도·저밀도 샘플을 직접 이미지로 확인했습니다. 고밀도(전형)는 cm1·주간 환경 조합이, 저밀도(이상치)는 cm3·야간·특이지형 조합이 지배합니다. 이 패턴을 알면 다음 합성데이터 생성 시 어떤 파라미터 조합을 보강해야 할지 명확해집니다.
| 항목 | 결과 | 한 줄 평가 |
|---|---|---|
| DataClinic 점수 | 79점 (보통) | 10종(68점)보다 11점 향상, 목표는 85점+ |
| 클래스 균형 | SD = 0.0 | 합성데이터의 교과서적 완벽함 |
| L1 품질 | 전항목 좋음 | 기초 체력 탄탄 |
| L2·L3 분포 | 나쁨 (다봉형) | 카메라 각도별 클러스터 = 의도된 다양성의 부작용 |
| 이상치 비율 | L3 7.4% 이하 | 안정적, 야간/특이지형 조합에서 주로 발생 |
| 핵심 개선 포인트 | cm2·cm3 보강 | 다봉형 완화를 위한 카메라 각도 균형화 |
이 데이터셋의 DataClinic 전체 진단 리포트 #225는 DataClinic에서 확인할 수 있습니다. 10종 버전(#224)과 비교해 읽으면 합성 군사 데이터셋의 설계 철학을 더 깊이 이해할 수 있습니다.