김현수 · 프로젝트 소개

좋은 사진의 이유를 분석해, 원하는 사진을 찍도록 돕는 AI 촬영 가이드 TryAngle

역할: 팀장 · 서비스 기획 · 데이터 · AI 개발
기간: 2025.09 – 현재
이메일: sid1130@naver.com

시연 영상 보기 포트폴리오 PDF 이력서 PDF

시연 영상

앱을 실제로 사용하는 모습

앱 시연을 겸한 광고 영상입니다. 페이지 안에서 바로 재생됩니다.

문제와 해결

따라 찍고 싶은 사진을, 따라 찍을 수 있게

문제

마음에 드는 감성 사진이 있어도 그대로 따라 찍기는 어렵습니다. 거리, 높이, 포즈 중 무엇을 얼마나 바꿔야 하는지 화면만 보고는 알기 어렵습니다.

해결

참고 사진과 현재 카메라 화면을 비교해 거리 · 높이 · 포즈를 순서대로 안내합니다. 조건이 맞으면 자동으로 촬영합니다.

안내 순서 · 한 번에 하나씩

거리
줌
높이
기울기
위치
방향
수평

원인이 되는 거리와 줌을 먼저 맞추고, 그에 따라 정해지는 인물 크기와 위치는 뒤에서 맞춥니다. 측정값이 잠깐 흔들려도 안내가 자주 바뀌지 않도록 설계했습니다.

기술 설명

폰 안에서 실시간으로 분석하고 안내합니다

온디바이스 분석촬영 중 화면 분석은 폰 안의 모델이 실시간으로 수행하고, 구도 추천은 서버가 담당합니다.
미적 평가 모델DINOv2(ViT) 기반으로 사람의 미적 평가 점수를 예측하는 모델을 학습했습니다.
경량화 · Core ML실시간 촬영에 맞게 모델을 경량화해 Core ML로 폰에 탑재했습니다. 실기기 처리 속도는 중앙값 약 26fps입니다(기기와 발열에 따라 15~33).
로그 기반 개선촬영 로그를 1초 단위로 기록하고, 현장에서 확인한 이상 동작을 다시 재생해 원인을 찾습니다.

담당 업무

기획부터 데이터, 모델, 앱까지

서비스 기획
사용자가 고른 감성 사진을 목표로, 현재 화면과의 차이를 순서대로 안내하고 조건이 안정되면 자동 촬영하는 흐름을 설계했습니다. Figma와 화면정의서로 사용자 흐름과 기능 요구사항을 정리하고, 개발 · 디자인 간 구현 범위를 조율했습니다.
데이터 구축
인물 사진 1만여 장의 자세 · 거리 · 배경 등 특징과 사람의 감성 평가 점수를 학습 데이터로 구성했습니다. 자세 오인식과 신체 추정 오류를 검수해 라벨과 안내 기준을 보완했습니다.
AI 모델
DINOv2(ViT) 기반 미적 평가 점수 예측 모델을 학습했습니다. 실시간 촬영에 사용할 수 있도록 모델을 경량화하고 Core ML로 적용했습니다.
iOS 안내 구현
측정값의 흔들림과 안내 전환을 고려해 iOS 촬영 가이드를 구현했습니다.
운영 도구
촬영 로그의 분석값과 안내 상태를 다시 재생해 인식 오류와 안내 동작을 검수하고 개선했습니다. 사람이 화면을 벗어난 뒤에도 관절을 추정하던 오류를 발견해, 신뢰할 수 있는 관절이 6개 미만이면 결과를 사용하지 않도록 변경했습니다.
테스트 · 전시
실기기 촬영 세션 489건의 팀 테스트 기록을 확보했습니다. 졸업전시에서 관람객 참여형 체험을 진행했습니다(전시 3일, 약 200명).

AI 도구로 만든 결과물

Claude Code를 어떻게 사용했는가

기획과 판단 기준은 직접 정하고, 구현은 Claude Code와 함께 진행했습니다. 처음에는 데이터 처리 · AI 학습 · iOS 개발을 한 세션에 맡겼는데, 작업이 커지자 맥락을 잊고 기존 코드를 재사용하지 못하거나 데이터 필드를 비운 채 완료로 보고하는 문제가 생겼습니다. 그래서 작업 방식을 다음과 같이 바꿨습니다.

역할별 에이전트메인 세션에서 기획과 개발 방향을 설계한 뒤, 작업 단위로 나누어 데이터 · AI · iOS 담당 에이전트에 배분했습니다. 단계별 산출물과 검토 기준을 정하고, 진행을 확인하며 수정을 지시했습니다.

문서 먼저 읽기프로젝트 구조 · 규칙 · 결정 사항을 md 문서로 정리해 작업마다 먼저 읽게 했습니다. 프롬프트에 "기존 코드를 확인한 뒤 수정할 것", "완료 보고에는 실제 저장값과 검증 결과를 제시할 것"을 명시했습니다.

반복 작업 표준화사진 수집 → 라벨링 → 변환처럼 반복되는 과정은 skills로 묶어 한 줄 지시로 다시 실행합니다.

데이터 명세와 검증기저장 규격을 정하고, 규격에 맞지 않는 결과는 저장되지 않도록 검증기를 두었습니다.

검증 후 반영결과는 원자료로 다시 계산하거나 실기기에서 확인한 뒤에만 반영했습니다. 수치 대시보드와 md 보고서로 최종 결과와 판단 근거를 확인합니다.

LLM 검증사진 설명 에이전트(Qwen3.5-9B)는 JSON 스키마 제약과 질문 분리로 형식 오류를 0으로 줄이고, 카메라 기하 · 밝기 같은 정밀값은 측정에 맡겨 장소 · 조명 판정 정확도를 41%에서 81~88%로 높였습니다.

이 방식으로 만든 것은 iOS 촬영 안내 화면과 안내 전환 규칙(Swift), 사진 특징 분석 · 데이터 검수 스크립트와 촬영 로그 시뮬레이터(Python), 팀원용 사진 평가 웹페이지, 직무별 포트폴리오 생성기, 그리고 이 소개 페이지입니다.

수상 · 활동