다크패턴 탐지 AI 모델

YOLOv8 기반의 웹/앱 UI 다크패턴 자동 탐지 시스템

📋 개요

이 프로젝트는 웹사이트나 애플리케이션의 UI 스크린샷에서 다크패턴을 자동으로 탐지하는 AI 모델입니다. YOLOv8 객체 탐지 모델을 활용하여 실시간으로 4가지 유형의 다크패턴을 식별합니다.

🎯 탐지 가능한 다크패턴

• dark_pattern_0: 첫 번째 유형의 다크패턴
• dark_pattern_1: 두 번째 유형의 다크패턴
• dark_pattern_2: 세 번째 유형의 다크패턴
• dark_pattern_3: 네 번째 유형의 다크패턴

참고: 실제 프로젝트에서는 각 클래스명을 구체적인 다크패턴 유형으로 변경하세요.
예: misleading_button, hidden_costs, forced_continuity, urgency_pressure

📊 데이터셋 구조

lumos/
├── train/
│   ├── images/    # 1,594 장의 학습 이미지
│   └── labels/    # YOLO 형식 레이블
├── valid/
│   ├── images/    # 185 장의 검증 이미지
│   └── labels/
├── test/
│   ├── images/    # 183 장의 테스트 이미지
│   └── labels/
├── data.yaml      # 데이터셋 설정
├── train.py       # 모델 학습
├── validate.py    # 모델 검증
└── predict.py     # 예측 및 시각화

🚀 빠른 시작

1. 의존성 설치

pip install -r requirements.txt

2. 모델 학습

python train.py

학습 옵션:

• 기본적으로 100 에포크 학습
• GPU가 있으면 자동으로 사용
• 학습 결과는 runs/detect/dark_pattern_train/ 폴더에 저장
• 최고 성능 모델: runs/detect/dark_pattern_train/weights/best.pt

예상 학습 시간:

• GPU (RTX 3080): ~2-3시간
• GPU (RTX 4090): ~1-1.5시간
• CPU: ~10-15시간 (권장하지 않음)

3. 모델 검증

# 테스트 데이터셋으로 평가
python validate.py

# 특정 모델 평가
python validate.py --model runs/detect/dark_pattern_train/weights/best.pt

# 검증 데이터셋 사용
python validate.py --split val

4. 다크패턴 탐지 (예측)

# 단일 이미지 예측
python predict.py --source test/images/example.jpg

# 폴더 전체 예측
python predict.py --source test/images/

# 신뢰도 임계값 조정
python predict.py --source test/images/ --conf 0.5

# 결과 표시 및 저장
python predict.py --source test/images/ --show --save

📈 성능 메트릭

학습 후 다음 메트릭으로 모델 성능을 평가합니다:

• mAP50: IoU 0.5에서의 Mean Average Precision
• mAP50-95: IoU 0.5~0.95 범위의 mAP
• Precision: 정밀도 (탐지한 것 중 실제 다크패턴 비율)
• Recall: 재현율 (실제 다크패턴 중 탐지한 비율)

🎨 시각화 결과

학습 중 자동으로 생성되는 시각화:

• results.png: 학습/검증 손실 및 메트릭 곡선
• confusion_matrix.png: 클래스별 혼동 행렬
• PR_curve.png: Precision-Recall 곡선
• F1_curve.png: F1 스코어 곡선

예측 결과:

• 바운딩 박스가 표시된 이미지
• 클래스명 및 신뢰도 점수 표시

⚙️ 고급 설정

학습 하이퍼파라미터 조정

train.py 파일에서 다음 파라미터를 수정할 수 있습니다:

epochs=100        # 학습 에포크 수
imgsz=640        # 입력 이미지 크기
batch=16         # 배치 크기 (GPU 메모리에 따라 조정)
lr0=0.01         # 초기 학습률
patience=50      # Early stopping patience

다른 YOLOv8 모델 사용

# train.py에서 모델 변경
model = YOLO('yolov8n.pt')  # nano (가장 빠름, 가벼움)
model = YOLO('yolov8s.pt')  # small
model = YOLO('yolov8m.pt')  # medium
model = YOLO('yolov8l.pt')  # large
model = YOLO('yolov8x.pt')  # xlarge (가장 정확, 무거움)

신뢰도 임계값 조정

# 더 엄격한 탐지 (False Positive 감소)
python predict.py --source image.jpg --conf 0.5

# 더 관대한 탐지 (Recall 향상)
python predict.py --source image.jpg --conf 0.15

🔧 문제 해결

GPU 메모리 부족 (CUDA Out of Memory)

# train.py에서 배치 크기 줄이기
batch=8  # 또는 4

학습이 너무 느림

• GPU가 활성화되어 있는지 확인: torch.cuda.is_available()
• 더 작은 모델 사용: yolov8n.pt
• 이미지 크기 줄이기: imgsz=416

과적합 (Overfitting)

• 더 많은 데이터 증강 활용
• Early stopping patience 줄이기
• Dropout이나 regularization 강화

📝 라이센스

이 프로젝트는 학습 및 연구 목적으로 개발되었습니다.

🤝 기여

버그 리포트나 기능 제안은 이슈로 등록해주세요.

📧 문의

프로젝트에 대한 질문이나 피드백이 있으시면 언제든지 연락주세요.