드론 및 엣지 비전 시스템에서 인공지능(AI) 기반 객체 탐지는 재난 대응, 보안, 인프라 모니터링 등 안전에 중요한 애플리케이션의 핵심 역량입니다. 그러나 이러한 환경에서 고성능 모델을 훈련하려면 대규모 항공 이미지를 중앙 서버로 모아야 하는데, 이는 개인 정보 보호, 규제 준수, 저장 공간, 네트워크 대역폭 등 여러 가지 난제를 야기합니다.
최근 연구에 따르면, 이러한 문제를 해결하기 위해 연합 학습(Federated Learning, FL)을 객체 탐지에 적용한 결과가 주목받고 있습니다. 연구팀은 드론이 이미지 데이터를 로컬에 유지하면서도 공유 모델의 성능을 개선할 수 있는 연합 객체 탐지 파이프라인을 구현했습니다. 특히 경량 모델인 YOLO26 나노(nano)를 사용했을 때, 단일 드론 훈련 방식 대비 평균 정밀도(mAP)가 52.89%에서 최대 67.80%까지 크게 향상되었습니다. 이는 중앙 집중식 훈련 방식과 유사한 성능을 보이면서도 데이터 중앙화의 단점을 극복한 결과입니다.
이러한 연합 학습의 성공적인 적용은 분산된 드론 운용 환경에서 확장 가능하고, 고성능이며, 개인 정보를 보호하는 객체 탐지 시스템 구축의 가능성을 열었습니다. 데이터를 중앙에 모으지 않고도 여러 드론이 협력하여 AI 모델을 학습시킬 수 있게 됨으로써, 민감한 데이터를 다루는 국방, 보안, 중요 인프라 감시와 같은 분야에서 드론의 활용이 더욱 활발해질 것으로 기대됩니다. 또한, 엣지(edge) 환경에서도 효율적인 AI 모델 배포를 가능하게 하여 드론 기술의 상업적 및 공공 서비스 적용 범위를 넓히는 데 기여할 것입니다.