실시간 비디오 익명화 30 FPS, $35 컴퓨터에서
Source: Dev.to
프라이버시‑우선 엣지 AI: $35 하드웨어로 실시간 온‑디바이스 익명화 구축
제가 PrivacyGuard를 만들기 전까지 접했던 대부분의 프라이버시 파이프라인은 동일한 전제를 공유했습니다: 서버가 있다는 것.
그들은 비디오 프레임을 클라우드로 전송하고, 그곳에서 처리한 뒤 익명화된 출력을 반환합니다. 이는 샌프란시스코에서는 잘 동작하지만, 인터넷이 예고 없이 끊기는 베이루트에서는 형편없고, 민감한 데이터가 절대 시설을 떠나서는 안 되는 환경에서는 완전히 실패합니다.
제가 설계하고 있던 제약은 달랐습니다: 얼굴, 사람, 그리고 차량 번호판을 완전히 온‑디바이스에서, 실시간으로, $35짜리 하드웨어로 감지하고 익명화하는 것.
아래는 실제로 필요했던 내용과 구축하면서 배운 점을 정리한 것입니다.
왜 엣지‑우선이 중요한가
- 일반적인 “엣지 AI” 이야기는 지연 시간이나 비용을 강조합니다.
- 프라이버시 사용 사례에서는 제약이 보다 근본적입니다:
- 병원 복도의 한 프레임을 클라우드 API에 전송한다면, 이미 전제 자체를 위반한 것입니다.
- 민감한 데이터가 시설을 떠났으므로, 익명화가 이루어지기 전에 컴플라이언스 상태가 사라집니다.
- GDPR 제 5조는 데이터 최소화를 요구합니다 — “어딘가에 보낸 뒤 최소화”가 아니라.
- 파이프라인 자체가 제로 이그레스여야 합니다.
이는 모든 주요 상용 API(AWS Rekognition, Google Video Intelligence, Azure Video Analyzer)를 배제합니다. 이들 모두 설계상 클라우드‑우선입니다. 엣지‑우선 프라이버시를 위해서는 처음부터 직접 구축해야 합니다.
하드웨어 제약
- Raspberry Pi 4
- 쿼드‑코어 ARM Cortex‑A72 @ 1.8 GHz
- 4–8 GB RAM
- GPU, NPU 없음 – 순수 CPU 추론
이 CPU에서 표준 YOLOv8s 모델은 3–5 FPS에 불과해 실시간 비디오에 사용할 수 없습니다. 일반적인 대응은 더 강력한 장치를 찾는 것이지만, 저는 Pi를 설계 파라미터로 다루었습니다.
목표: 640 × 480 해상도에서 25–30 FPS. 이보다 낮으면 눈에 띄는 지연이 발생해 모니터링 워크플로우의 사용성을 해칩니다.
모델 크기 트레이드‑오프
| YOLOv8 변형 | 파라미터 | 대략적인 속도 (Pi 4) | 정확도 영향 (얼굴/사람) |
|---|---|---|---|
| nano | 3.2 M | 최적화 시 ~25 FPS | 매우 작은 얼굴에 대해 약간 낮은 재현율 |
위 표는 원본 글에서 상세히 다룬 유일한 변형을 반영합니다; 다른 변형도 언급됐지만 수치는 제공되지 않았습니다.
- 문서 및 배포 가이드: (링크나 상세 내용은 원본에 제공되지 않음)
연락처
엣지 배포나 리소스가 제한된 환경에서의 프라이버시 컴플라이언스 작업을 하고 계시다면 언제든지 연락 주세요:
- 이메일: laythayache5@gmail.com
- 웹사이트: (원본 글의 “check also” 섹션을 참고하세요)