취약 도로 사용자(VRU) 안전을 위한 객체 검출 모델을 Edge 장비에 배포하려면 모델 용량과 연산 제약 사이의 균형을 맞춰야 해요.
본 연구에서는 지식 증류(KD) 프레임워크를 활용하여 YOLOv8-S 학생 모델을 YOLOv8-L 교사 모델과 유사하게 학습시켜 모델을 3.9배 압축하면서도 양자화에 대한 강건성을 유지했어요.
지식 증류는 정밀도 보정 능력을 전달하며, INT8 환경에서 KD 학생 모델은 직접 학습된 모델보다 더 높은 정밀도를 달성하여 오탐을 줄이고 Edge 하드웨어에 안전 관련 VRU 검출을 배포하는 데 필수적인 기술임을 입증했어요.