딥러닝을 이용해 상품 이미지에서 색상 속성을 추출하기

티몬이 대량의 딜을 자동 등록하는 시스템을 도입하면서, 상품 정보에 색상 태그가 없을 때 이미지에서 색상을 추출하는 과제를 수행한 기록이다. 수작업으로 일일이 속성을 기입하는 것이 거의 불가능해 자동 추출이 필요했다. 아주 나이브한 접근에서 시작해 딥러닝으로 성능을 개선하는 과정을 순서대로 공유한다.

핵심 포인트

문제를 단순화하면 상품 이미지를 입력했을 때 그 이미지에 포함된 상품의 색상 값을 출력하는 함수를 작성하는 일이다.
사람에게는 아주 직관적이고 간단한 일이지만 기계가 자동으로 수행하게 만드는 것은 그렇지 않다.
가장 쉽게 시도해볼 접근은 색상 히스토그램에서 가장 큰 비중을 차지하는 값을 상품 색상으로 쓰는 것이다.
이 방식은 직관적이고 구현이 간단해 실행 속도가 빠르지만, 조금만 테스트해보면 실제 서비스에 쓸 품질이 안 나온다.
실제 상품 이미지는 단색으로 이뤄지지 않아 다양한 색상 스펙트럼을 몇 개의 대표 색상으로 뽑는 작업을 히스토그램만으로 하기 어렵다.

상세 정리

도입 배경: 딥러닝을 실제 서비스에 활용하는 사례가 IT 기업을 중심으로 늘고 있으며 과학기술·의료·예술·이커머스로도 확대되는 추세라는 맥락에서 출발한다.
요구사항의 출처: 대량 딜 자동 등록 시스템에서 상품의 다양한 속성을 자동 추출해야 했고, 그중 명시적 색상 태그가 없는 경우가 이 과제의 대상이다.
히스토그램 방식의 문제 1: 색상 스펙트럼이 넓은 실제 이미지를 소수의 대표 색으로 축약하기 어렵다.
히스토그램 방식의 문제 2: 배경이 차지하는 영역이 크면 배경색이 대표 색상으로 뽑힐 수 있고, 상품 이미지 특성상 상품과 배경을 구분하기 어려운 경우가 많아 상황이 더 나빠진다.
저자는 히스토그램 방법론에 이외에도 근본적인 문제가 많지만, 서비스에 쓸 품질을 얻으려면 위 두 가지는 반드시 해결해야 한다고 정리한다.
해결 순서: 먼저 대표 색상을 뽑는 문제에 집중한 뒤 배경 분리 문제로 넘어가는 구성을 예고한다.

왜 읽나상품 이미지에서 속성을 자동 추출해야 하는 커머스 엔지니어에게, 히스토그램 같은 단순 접근이 왜 실서비스 품질에 못 미치는지와 개선 경로의 출발점을 보여준다.

티몬 블로그

원문은 여기서 이어서 읽을 수 있어요

원문 읽기

읽음 (0)

·takedown 요청

딥러닝을 이용해 상품 이미지에서 색상 속성을 추출하기

이 글과 비슷한

에이전틱 SDLC를 QA 엔지니어링 마인드셋으로 구축하기

보안 업무를 위한 AI 에이전트 플랫폼 「SAGE」 개발기 1편: 판단은 사람에게 남기는 설계

실리콘투의 사내 지식 MCP 게이트웨이 구축기