로보플로우에서 고급 워크플로우 생성 방법

Roboflow의 고급 워크플로우(Advanced Workflows)는 컴퓨터 비전 파이프라인을 노코드/로우코드 방식으로 구성할 수 있게 해주는 시각적 빌더입니다. 이번 사례는 보안 카메라 영상에서 다중 분기(multi-branch) 처리를 수행하는데, 핵심 구성요소는 세 가지입니다. 첫째, **Image Slicing(SAHI 기반)**은 고해상도 이미지를 작은 타일로 분할해 각각 추론한 뒤 결과를 병합하는 기법으로, 멀리 있는 작은 객체(원거리 침입자, 소형 드론 등)를 일반 YOLO 모델이 놓치는 문제를 해결합니다. 둘째, **ByteTracker**는 ECCV 2022에서 발표된 MOT(Multi-Object Tracking) 알고리즘으로, 검출 신뢰도가 낮은 박스까지 활용해 가려짐(occlusion) 상황에서도 ID 일관성을 유지하며 객체를 추적합니다. 셋째, **Florence-2**는 Microsoft가 공개한 비전-언어 파운데이션 모델로, 캡셔닝·OCR·VQA 등을 단일 모델로 수행해 "이 사람이 무엇을 들고 있는가"와 같은 컨텍스트 분석을 가능하게 합니다.

엔지니어 관점에서 가장 큰 임팩트는 **모델 통합(stitching)에 들어가던 인프라 코드를 대거 제거**할 수 있다는 점입니다. 기존에는 OpenCV로 슬라이싱 → PyTorch로 추론 → Supervision으로 트래킹 → LLM API로 캡셔닝하는 4단계를 직접 코드로 엮고, 큐·배치·GPU 메모리까지 관리해야 했습니다. Workflows는 이를 JSON 그래프로 선언하면 Roboflow Inference 서버(또는 Hosted API)가 자동으로 실행해 주므로, 프로토타이핑이 며칠에서 몇 시간 단위로 단축됩니다. 또한 분기(branching) 구조 덕분에 "사람이 검출되면 → Florence-2로 행동 분석, 차량이 검출되면 → ANPR로 번호판 OCR" 같은 조건부 라우팅을 단일 파이프라인에 담을 수 있어, MLOps 측면에서도 모델별 마이크로서비스 N개를 띄우는 것보다 운영 부담이 적습니다.

다만 한국 개발자가 도입을 검토할 때 짚어야 할 포인트가 있습니다. 첫째, **레이턴시와 비용** — 슬라이싱은 타일 수만큼 추론 횟수가 늘어나고 Florence-2(0.23B/0.77B)는 결코 가볍지 않으므로, 실시간 30fps CCTV에서는 GPU(T4 이상) 자체 호스팅이 사실상 필수입니다. Hosted API는 PoC용으로만 쓰고 프로덕션은 `roboflow/inference` Docker로 온프레미스 배포하는 패턴이 권장됩니다. 둘째, **데이터 주권** — 보안·관제 영상은 개인정보보호법상 국외 반출이 까다로우므로 자체 호스팅을 전제로 설계해야 합니다. 셋째, **벤더 락인** — Workflows의 JSON 스키마는 Roboflow 종속적이므로, 핵심 비즈니스 로직(룰 엔진, 알림 등)은 Workflow 외부 후처리 단계로 분리해 두는 것이 이식성 측면에서 안전합니다.

실무적으로는 먼저 GitHub의 `roboflow/inference`를 로컬에 띄워 Workflow JSON을 export/import 해보고, ByteTracker 파라미터(`track_activation_threshold`, `lost_track_buffer`)를 자사 카메라 FPS·해상도에 맞춰 튜닝하는 것을 권장합니다. Florence-2 호출 빈도는 트래킹된 객체의 신규 ID 출현 시점에만 트리거하도록 게이팅(gating)하면 비용을 10분의 1 이하로 줄일 수 있습니다.