
기성 OCR이 한글 번호판을절반만 읽을 때
300장 중 95.7%를 맞혔습니다. 같은 사진에서 기성 OCR은 50.3%였습니다.
홀드아웃 300장 · 번호 전체 일치 · 학습 87,054장(AI Hub 공개 데이터)
MEASURED검출 모델부터 Jetson 배포까지, 조건이 붙은 숫자로 납품합니다.
서비스 이름 말고, 현장에서 부르는 문제 이름으로 찾으시면 됩니다.

300장 중 95.7%를 맞혔습니다. 같은 사진에서 기성 OCR은 50.3%였습니다.
홀드아웃 300장 · 번호 전체 일치 · 학습 87,054장(AI Hub 공개 데이터)
MEASURED불량 부품 1,118개 중 3개를 놓쳤습니다.
양품 454장 중 11장 오알람 · conf 0.10 · 정확도 99.1%, 전부 불량이라 답하면 71.1%
MEASURED
일부러 지운 박스 70건 중 65건을 찾았습니다.
트랙 내부 기준 · 트랙 시작·끝 14건은 0건(원리상) · 의사 라벨 검증 셋
MEASURED같은 영상을 처리하는 시간을 181.4초에서 8.38초로 줄였습니다.
Orin Nano Super 8GB · 188프레임 1080p · 자체 프로젝트에서 측정
MEASURED아무것도 안 하는 예측기의 점수를 함께 적습니다. 그 숫자를 모르면 99.7%가 좋은지 알 수 없습니다.
현행 7~8자리 번호판만 추리면 96.7% 대 67.0%입니다. 학습 87,054장은 직접 모은 것이 아니라 AI Hub 공개 데이터입니다.
출처 portfolio/anpr/MEASUREMENTS.md §2
같은 설정에서 양품 454장 중 11장(2.4%)이 오알람입니다. conf 0.30으로 올리면 검출 96.5%, 오알람 0장입니다. 데이터가 비상업 라이선스라 화면은 싣지 않습니다.
출처 portfolio/parts/MEASUREMENTS.md
객체가 화면에 들어오고 나가는 순간의 누락은 궤적으로 구분할 수 없습니다. 중복·범위 이탈·형식 오류는 주입한 30건을 모두 잡았습니다. 검사 도구의 성능이며 라벨러의 성능이 아닙니다.
출처 outputs/labelkit-portfolio/inj/measure/measure-report.md
CUDA만 쓰면 22.3초입니다. 배치 4 엔진은 8GB 보드에서 빌드되지 않아 배치 1로 만들어 캐시했습니다. 번호판·범퍼 모델이 아니라 자체 프로젝트의 수치입니다.
출처 portfolio/jetson/MEASUREMENTS.md §1
보드에서 재기 전까지 이 칸을 비워 둡니다. 지연시간은 워밍업 뒤 두 번 일치한 값만 적습니다.
출처 README.md · bench/README.md
행을 누르면 주의할 점과 출처가 펼쳐집니다. 전체 기록
한 단계만 맡기셔도, 처음부터 끝까지 맡기셔도 됩니다.
기준을 먼저 합의하고, 납품 전에 검수 도구를 돌립니다.
받는 것라벨 + 검수 리포트
가진 데이터로 되는 문제인지부터 판정합니다.
받는 것가중치 + 평가 리포트
Jetson에 올려 지연시간을 잽니다.
받는 것엔진 파일 + 벤치 기록
주문 처리, 상품 등록, 문서 작성처럼 반복되는 일을 화면으로 만듭니다.
지금 운영 중인 화면으로 보여드립니다.

철회한 수치는 지우지 않고 사유와 함께 둡니다.
같은 벤치가 실행마다 26ms와 44ms로 갈려 인용을 멈췄습니다.
2026년 8월 28일, 해상도 축의 측정 오류를 찾아 표를 다시 냈습니다.
mAP50 0.104에서 종결했습니다. 라벨 규칙을 잘못 읽었습니다.
아직 재지 않았습니다. 잰 뒤에 채웁니다.
샘플 데이터를 먼저 봅니다. 정답을 눈으로 판정할 수 없는 문제는 맡지 않습니다.
풀려는 문제와 가진 데이터를 듣습니다.
다양성, 사건 빈도, 분할, 육안 확인. 네 가지를 먼저 봅니다.
무엇을 재고 무엇을 넘길지 문서로 정합니다.
가중치, 평가 리포트, 다시 돌려 볼 수 있는 절차를 드립니다.