AdGen_AI - Image Processing Module

소규모 패션 쇼핑몰을 위한 인스타그램 광고 자동 생성 AI 서비스

프로젝트 개요 • 기술 스택 • 주요 기능 • 설치 방법 • 사용법

📋 프로젝트 개요

AdGen_AI는 소규모 패션 쇼핑몰 사장님들이 휴대폰으로 상품을 촬영하고 간단한 명령으로 1분 내에 인스타그램 광고를 자동 생성할 수 있는 AI 서비스입니다.

🎯 내 역할: 이미지 추출 모델 개발자

이 저장소는 AdGen_AI 프로젝트에서 이미지 처리(Background Removal & Image Preprocessing) 모듈을 담당합니다.

👥 팀 구성

풀스택 개발자: 프론트엔드 + 백엔드 + 텍스트 AI
이미지 추출 모델 개발자 ← 나의 담당
이미지 생성 모델 개발자: 배경 생성 + 스타일링

📅 개발 기간

시작일: 2025-12-30
종료일: 2026-01-28
총 기간: 29일

🛠️ 기술 스택

Core Technologies

Python 3.11+: 메인 개발 언어
RMBG-2.0: 최신 AI 배경 제거 모델 (BiRefNet 기반)
U2-Net: 폴백 배경 제거 모델 (rembg)
FastAPI: REST API 서버
Celery + RabbitMQ: 비동기 작업 처리

Image Processing Libraries

OpenCV: 이미지 전처리 및 조작
Pillow (PIL): 이미지 포맷 변환
NumPy: 배열 연산 및 이미지 처리

Infrastructure

Docker: 컨테이너화
Google Cloud Storage: 이미지 저장소
Redis: 캐싱 시스템
PostgreSQL: 메타데이터 관리

✨ 주요 기능

🎨 1. AI 배경 제거 (Background Removal)

RMBG-2.0 모델을 활용한 자동 누끼 작업 (BiRefNet 아키텍처)
처리 시간: 3-5초
정확도: 90%+ (복잡한 배경에서 87-92%)
엣지 품질: 256단계 투명도 마스크
폴백: U2-Net 자동 전환 지원

🖼️ 2. 이미지 전처리 (Preprocessing)

자동 리사이징 (1024x1024)
색감 자동 보정
의류 주름 정리
품질 향상 필터링

🎭 3. 스타일별 이미지 생성 (3가지 스타일)

미니멀 스타일

화이트 배경
프로페셔널 그림자 효과
깔끔한 스튜디오 느낌

감성 스타일

베이지/파스텔 배경
빈티지 필터
자연스러운 조명 효과

스트릿 스타일

도심/거리 배경
생동감 있는 색감
역동적인 분위기

⚡ 4. 성능 최적화

배치 처리: 여러 이미지 동시 처리
Redis 캐싱: 자주 사용되는 결과 캐시
GPU 가속: T4/A10 GPU 활용
INT8 양자화: 추론 속도 향상

🏗️ 시스템 아키텍처

┌─────────────┐
│   사용자    │
│ (휴대폰촬영) │
└──────┬──────┘
       │
       ▼
┌─────────────────┐
│   Web/Mobile    │
│   Application   │
└──────┬──────────┘
       │ HTTPS
       ▼
┌─────────────────┐
│   API Server    │
│   (FastAPI)     │
└──────┬──────────┘
       │
       ▼
┌─────────────────┐
│  Task Queue     │
│  (Celery)       │
└──────┬──────────┘
       │
       ▼
┌─────────────────────────────────────┐
│       AI Processing Pipeline        │
│                                     │
│  ┌──────────────────────────────┐  │
│  │  1. Image Preprocessing      │  │ 
│  │     - Resize (1024x1024)     │  │
│  │     - Quality Check          │  │
│  └──────────┬───────────────────┘  │
│             │                       │
│  ┌──────────▼───────────────────┐  │
│  │  2. Background Removal       │  │ 
│  │     - RMBG-2.0 Model         │  │
│  │     - 256-level Transparency│  │
│  │     - U2-Net Fallback        │  │
│  └──────────┬───────────────────┘  │
│             │                       │
│  ┌──────────▼───────────────────┐  │
│  │  3. Style Processing         │  │ 
│  │     - Minimal Style          │  │
│  │     - Mood Style             │  │
│  │     - Street Style           │  │
│  └──────────┬───────────────────┘  │
│             │                       │
│  ┌──────────▼───────────────────┐  │
│  │  4. Background Generation    │  │ 
│  │     - Stable Diffusion XL    │  │
│  └──────────┬───────────────────┘  │
│             │                       │
│  ┌──────────▼───────────────────┐  │
│  │  5. Post-processing          │  │ 
│  │     - Instagram Format       │  │
│  │     - Compression            │  │
│  └──────────────────────────────┘  │
└─────────────────────────────────────┘
       │
       ▼
┌─────────────────┐
│  Cloud Storage  │
│    & Database   │
└─────────────────┘

📦 설치 방법

사전 요구사항

Python 3.11 이상
CUDA 지원 GPU (권장)
Docker & Docker Compose
Git

1. 저장소 클론

git clone https://github.com/leejaeyoung-cpu/Codeit_final.git
cd Codeit_final

2. 가상환경 생성

python -m venv venv

# Windows
venv\Scripts\activate

# Linux/Mac
source venv/bin/activate

3. 의존성 설치

pip install -r requirements.txt

4. 환경 변수 설정

cp .env.example .env
# .env 파일을 열어 필요한 설정 입력

5. Docker로 실행 (권장)

docker-compose up -d

🚀 사용법

API 서버 실행

# 개발 모드
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

# 프로덕션 모드
gunicorn app.main:app -w 4 -k uvicorn.workers.UvicornWorker

Celery Worker 실행

celery -A app.celery_worker worker --loglevel=info

이미지 처리 API 사용 예시

1. 배경 제거

import requests

url = "http://localhost:8000/api/v1/remove-background"
files = {"file": open("product.jpg", "rb")}

response = requests.post(url, files=files)
result = response.json()

print(f"처리 완료: {result['image_url']}")

2. 스타일별 처리

url = "http://localhost:8000/api/v1/process-image"
files = {"file": open("product.jpg", "rb")}
data = {"style": "minimal"}  # minimal, mood, street

response = requests.post(url, files=files, data=data)
result = response.json()

print(f"미니멀 스타일 이미지: {result['processed_url']}")

3. 배치 처리

url = "http://localhost:8000/api/v1/batch-process"
files = [
    ("files", open("product1.jpg", "rb")),
    ("files", open("product2.jpg", "rb")),
    ("files", open("product3.jpg", "rb")),
]

response = requests.post(url, files=files)
results = response.json()

for idx, result in enumerate(results):
    print(f"이미지 {idx+1}: {result['image_url']}")

📊 성능 지표

목표 성능

✅ 배경 제거 시간: 5초 이하
✅ 배경 제거 정확도: 90% 이상 (RMBG-2.0)
✅ 복잡한 배경 정확도: 87-92% (기존 U2-Net 대비 3배 향상)
✅ 동시 처리 요청: 100개 이상
✅ 메모리 사용: 요청당 2-4GB (GPU 사용 시)

벤치마크 결과

작업	RMBG-2.0 평균	U2-Net 평균	정확도 (RMBG-2.0)
배경 제거	3.5초	3.2초	90.14%
복잡한 배경	4.2초	3.5초	87-92%
포토리얼 이미지	3.8초	3.0초	92%
전체 파이프라인	~6초	~5.5초	90%+

📁 프로젝트 구조

Codeit_final/
├── app/
│   ├── __init__.py
│   ├── main.py                 # FastAPI 메인 앱
│   ├── config.py               # 설정 파일
│   ├── celery_worker.py        # Celery 워커
│   │
│   ├── api/                    # API 라우터
│   │   ├── __init__.py
│   │   ├── v1/
│   │   │   ├── __init__.py
│   │   │   ├── image.py        # 이미지 처리 API
│   │   │   └── health.py       # 헬스체크 API
│   │
│   ├── core/                   # 핵심 비즈니스 로직
│   │   ├── __init__.py
│   │   ├── background_removal.py    # 배경 제거
│   │   ├── preprocessing.py         # 전처리
│   │   ├── style_processor.py       # 스타일별 처리
│   │   └── postprocessing.py        # 후처리
│   │
│   ├── services/               # 서비스 레이어
│   │   ├── __init__.py
│   │   ├── image_service.py
│   │   └── cache_service.py
│   │
│   ├── models/                 # 데이터 모델
│   │   ├── __init__.py
│   │   └── schemas.py
│   │
│   └── utils/                  # 유틸리티
│       ├── __init__.py
│       ├── image_utils.py
│       └── storage.py
│
├── tests/                      # 테스트 코드
│   ├── __init__.py
│   ├── test_background_removal.py
│   ├── test_preprocessing.py
│   └── test_api.py
│
├── docs/                       # 문서
│   ├── api_specification.md
│   ├── development_guide.md
│   └── deployment.md
│
├── scripts/                    # 유틸리티 스크립트
│   ├── setup.sh
│   └── benchmark.py
│
├── docker/                     # Docker 설정
│   ├── Dockerfile
│   └── docker-compose.yml
│
├── .env.example               # 환경 변수 예시
├── .gitignore
├── requirements.txt           # Python 의존성
├── README.md
└── LICENSE

📅 개발 일정

✅ Week 1 (2025-12-30 ~ 2026-01-05)

프로젝트 셋업 및 개발 환경 구축
~~RMBG-2.0~~ rembg 모델 연동 (배경 제거)
기본 배경 제거 파이프라인 구축
FastAPI 기본 API 구현
4:5 비율 인스타그램 포맷 지원
웹 UI 구현 (드래그 앤 드롭)
API 검증 및 테스트 완료
RMBG-2.0 통합 및 성능 개선 (2026-01-08)
Cloud Storage 연동 (예정)

✅ Week 2 (2026-01-06 ~ 2026-01-12) - 조기 달성!

색감 보정 알고리즘 구현 (자동 화이트밸런스, CLAHE)
의류 주름 정리 로직 (Bilateral/Guided Filter)
3가지 스타일별 전처리 분기 (Minimal, Mood, Street)
Next.js + TypeScript 프론트엔드 통합
처리 속도 최적화 (목표: 5초 이내 달성)

🎨 고급 이미지 처리 기능 (Week 2)

1. 색감 보정 (Color Correction)

자동 화이트 밸런스: Gray World 알고리즘으로 정확한 색온도 보정
CLAHE: 적응형 히스토그램 평활화로 디테일과 대비 향상
채도/선명도: 스타일별 최적화된 파라미터 적용

2. 의류 주름 정리 (Wrinkle Removal)

스마트 스무딩: 옷감의 질감은 유지하면서 불필요한 주름만 제거
알고리즘: Bilateral Filter 및 Guided Filter 조합 사용
강도 조절: Light, Medium, Strong 옵션 제공

3. 스타일 프로세싱 (Style Processing)

스타일	특징	용도
Minimal	화이트 배경, 고대비, 프로페셔널 섀도우	깔끔한 제품 상세 페이지
Mood	따뜻한 색감, 빈티지 필터, 파스텔 배경	감성적인 인스타그램 피드
Street	높은 채도, 강한 대비, 쿨톤, 비비드	트렌디한 스트릿 패션 광고

💻 프론트엔드 통합 (Next.js + TypeScript)

백엔드 API와 완벽하게 연동되는 Next.js 프론트엔드 코드가 준비되었습니다.

주요 기능

TypeScript: 완전한 타입 안전성 보장 (types/api.ts)
Custom Hooks: useImageProcessing 훅으로 상태 관리 단순화
UI 컴포넌트:
- ImageUploader: 드래그 앤 드롭 지원
- StyleSelector: 3가지 스타일 직관적 선택
- ResultDisplay: 원본/결과 비교 및 다운로드

통합 가이드

상세한 통합 방법은 nextjs_frontend_guide.md 문서를 참조하세요.

⏳ Week 3 (2026-01-13 ~ 2026-01-19)

배치 처리 기능 구현
Redis 캐싱 시스템 구현
메모리 최적화
에러 핸들링 강화

⏳ Week 4 (2026-01-20 ~ 2026-01-28)

🧪 테스트

단위 테스트 실행

pytest tests/ -v

커버리지 확인

pytest --cov=app tests/

성능 벤치마크

python scripts/benchmark.py

🔧 트러블슈팅

문제: RMBG-2.0 모델 로딩 실패

증상: Access to model briaai/RMBG-2.0 is restricted 또는 다운로드 실패

해결:

인터넷 연결 확인
Hugging Face 서버 상태 확인 및 재시도
임시로 U2-Net 사용: .env에서 BG_REMOVAL_MODEL=u2net 설정
자동 폴백 활성화: BG_REMOVAL_FALLBACK=true

문제: 처리 시간 5초 초과

해결:

GPU 사용 확인: BG_REMOVAL_DEVICE=cuda
이미지 크기 제한 적용 (최대 2048x2048)
U2-Net으로 전환 (더 빠름): BG_REMOVAL_MODEL=u2net
GPU 배치 사이즈 조정

문제: 메모리 부족 (OOM)

RMBG-2.0 사용 시:

GPU 메모리 확인 (최소 2-4GB 필요)
CPU 모드로 전환: BG_REMOVAL_DEVICE=cpu
U2-Net으로 전환 (메모리 사용량 낮음)

일반적인 해결책:

이미지 스트리밍 처리
가비지 컬렉션 주기 조정
Worker 프로세스 수 감소

문제: 배경 제거 품질이 낮음

해결:

RMBG-2.0 사용 확인: API 응답 헤더의 X-Model-Used 확인
GPU 모드 사용 확인 (품질 향상)
입력 이미지 품질 확인 (최소 512x512 권장)
다른 스타일 시도 (minimal, mood, street)

문제: 모델 간 전환이 안됨

해결:

.env 파일 업데이트 후 서버 재시작
설정 확인: http://localhost:8000/api/v1/health
로그 확인하여 어떤 모델이 로드되었는지 확인

📚 참고 자료

핵심 문서

RMBG-2.0 Model (Hugging Face)
RMBG-2.0 Migration Guide - Setup and troubleshooting
rembg GitHub
FastAPI 공식 문서
Celery 공식 문서
DeepFashion Dataset

🤝 기여 방법

Fork the repository
Create your feature branch (git checkout -b feature/AmazingFeature)
Commit your changes (git commit -m 'Add some AmazingFeature')
Push to the branch (git push origin feature/AmazingFeature)
Open a Pull Request

📝 라이선스

이 프로젝트는 MIT 라이선스 하에 배포됩니다. 자세한 내용은 LICENSE 파일을 참조하세요.

📞 연락처

이재영 - 이미지 처리 모듈 개발자

GitHub: @leejaeyoung-cpu
프로젝트 링크: https://github.com/leejaeyoung-cpu/Codeit_final
원본 프로젝트: AdGen_AI

🙏 감사의 말

팀원들: 함께 개발하는 풀스택 개발자, 이미지 생성 모델 개발자
BRIA AI: RMBG-2.0 오픈소스 모델 제공
rembg 팀: 훌륭한 U2-Net 기반 배경 제거 라이브러리
DeepFashion: 패션 데이터셋 제공

⭐ 이 프로젝트가 도움이 되었다면 Star를 눌러주세요! ⭐

Made with ❤️ by Image Processing Team

Name		Name	Last commit message	Last commit date
Latest commit History 9 Commits
app		app
docs		docs
frontend/types		frontend/types
scripts		scripts
static		static
test_results/benchmark_comparison		test_results/benchmark_comparison
tests		tests
.dockerignore		.dockerignore
.env.example		.env.example
.gitignore		.gitignore
CODE_EXPLANATION.md		CODE_EXPLANATION.md
DEPLOYMENT.md		DEPLOYMENT.md
Dockerfile		Dockerfile
LICENSE		LICENSE
README.md		README.md
UPDATE_2026_01_02.md		UPDATE_2026_01_02.md
docker-compose.yml		docker-compose.yml
requirements.txt		requirements.txt
simple_test.py		simple_test.py
test_api.py		test_api.py
test_output.txt		test_output.txt

Folders and files

Latest commit

History

Repository files navigation