패스트캠퍼스 환급챌린지 33일차 : Computer Vision Signature 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

공부 시작 시각 / 공부 종료 시각

 

 수강 인증 사진

학습 인증샷 (필기)

챌린지 대상 강의 완강률 

 

33일차, FoundationPose(3) 실습 정리

 

Docker 환경에서의 본격적인 실습 진행
 - 구축한 Docker 기반 환경을 바탕으로 실제 Isaac ROS Foundation Pose를 구동해보는 과정이 흥미로웠다.
 -  Isaac ROS Common 레포지토리부터 시작해서 필요한 에셋들을 단계별로 다운로드하는 과정에서 NVIDIA의 체계적인 패키지 관리 방식을 엿볼 수 있었다.
 -  jq와 tar 같은 기본 도구부터 설치하는 것도 실무적인 접근이다.

에셋 다운로드의 현실적 부담감
 -  NGC 컨테이너 에셋을 다운로드하는 스크립트를 실행하는 과정에서 상당한 용량의 데이터가 이동한다는 점이 인상적이다. 

 -  프리트레인드 모델들과 각종 에셋들이 기가바이트 단위로 다운로드되는 것을 보면서, 실제 AI 모델 개발에서 데이터 관리가 얼마나 중요한지 실감할 수 있었다.

 -  리파인 모델과 스코어 모델을 별도로 다운로드해야 하는 구조는 모델의 역할 분담을 명확히 보여준다.

빌드 과정의 복잡성과 체계성
 -  colcon build를 통한 ROS 패키지 빌드 과정이 상당한 시간을 요구한다는 점을 언급한 것이 좋았다.

 -  실제로 심볼릭 링크를 활용한 개발 환경 구성이나 의존성 패키지들의 순차적 설치 과정을 보면서 ROS 생태계의 복잡함을 이해할 수 있었다.

 -  rosdep을 통한 의존성 관리는 패키지 관리의 모범 사례라고 볼 수 있다.

TensorRT 모델 변환의 실무적 중요성
 -  ONNX 모델을 TensorRT로 변환하는 과정이 단순해 보이지만 실제로는 추론 성능 최적화의 핵심이라는 점이 인상깊다. 

 -  리파인 모델과 스코어 모델을 각각 변환해야 하는 것도 Foundation Pose의 two-stage 접근 방식을 잘 보여준다. 

 -  변환 후 .trt.engine.plan 파일이 생성되는 것을 확인하는 과정에서 실제 배포 환경에서의 최적화 중요성을 느낄 수 있었다.

ROS bag을 통한 현실적 테스트 환경
 -  실제 카메라 대신 녹화된 데이터를 사용하는 접근 방식이 현실적이다. 

 -  실습 환경에서 하드웨어 제약을 우회하면서도 실제와 유사한 경험을 제공하는 좋은 방법론이다.

 -  quickstart.bag 파일을 통해 일관된 테스트 환경을 제공하는 것은 교육적 효과를 높인다.

시각화의 직관적 효과
 -  RViz를 통한 시각화 결과가 매우 직관적이다.

 -  원본 이미지에 큐브 형태로 증강된 객체가 표시되고, 3D 공간에서 머스타드 통의 위치가 시각화되는 것을 보면서 AR 기술의 실제 작동 원리를 이해할 수 있었다.

 -  이론으로만 접했던 6DOF 포즈 추정이 실제로 어떻게 구현되는지 확인할 수 있는 경험이었다.

복합 시스템의 통합적 이해
 -  Foundation Pose, RT-DETR, RViz 등 여러 컴포넌트가 ROS 2 노드로 연결되어 작동하는 구조를 보면서 현대 로보틱스 시스템의 모듈화된 설계 철학을 이해할 수 있었다. 

 -  각 노드가 독립적으로 작동하면서도 토픽을 통해 데이터를 주고받는 방식은 확장성과 유지보수성 측면에서 우수한 접근이다.

 URL: https://fastcampus.info/4n8ztzq