0.2377
적응 전 (기존 범용모델 transfer)
0.853
적응 후 mAP50 (held-out, 단일 결정론적 런)
53/19
학습/시험 클립 (완전 분리)
474/229
학습/시험 프레임
조건별 실측 (held-out 클립)
| 조건 | 적응 전 | 적응 후 |
|---|---|---|
| Flame · 실내-불 | 0.105 | 0.772 |
| Flame · 실외-야간-불 | 0.000 | 0.904 |
| Flame · 실외-주간-불 | 0.000 | 0.790 |
| Smoke · 실외-주간-연기 | 0.841 | 0.911 |
측정 설계: 클립 단위 완전 분리(같은 클립의 프레임이 학습·시험에 동시 포함되지 않음) + 조건 층화. 수치는 mAP50. ⚠ 시드 정정: "시드 0,1"로 표기했으나 두 런의 값이 소수 4자리까지 완전 동일(byte-identical) → 실질적으로 단일 결정론적 런이며 변량정보 없음. 3시드 이상 독립 런의 부트스트랩 CI로 재측정 예정.
⚠ 이건 in-distribution이다 — 진짜 cross-source는 붕괴한다(정직 공개)
위 0.853은 같은 출처(AI-Hub 058) 안에서 클립만 분리한 수치다. 실제로 다른 출처로 교차 측정하면(058 학습 → 089 시험) mAP50이 0.0002로 완전 붕괴했고(역방향 089→058=0.094, −64%), 두 출처를 혼합 학습해야 회복됐다. 즉 "현장이 바뀌면 범용/타출처 모델은 무너지고, 그 현장 데이터로 적응해야 회복된다"가 정직한 결론이며, 실현장 파일럿에서 재적응이 필요한 이유다. 이 cross-source 재측정을 3시드·부트스트랩 CI·서명 매니페스트 위에서 정식화하는 것이 다음 단계다.
정직성 노트: ①"적응 전" 수치가 낮은 것은 업계 공통 현실입니다 — 촬영 도메인이 다르면 범용 모델은 급락하며, 이것이 도메인 적응 학습이 필요한 이유입니다. ②본 실측은 제공된 데이터 범위(클립 수 72개)에 한정되며, 조건·계절·카메라가 늘면 재적응을 권장합니다. ③VLM 오탐게이트(오탐 기각 96.1%·실화재 유지 100%, 별도 실측)는 이 검출기 위에 결합 배포됩니다. ④최종 화재 판단·대응 책임은 관제 운영자에게 있습니다.
immersivecast · measure-first 화재·연기 검출 · 도메인 적응 실측 리포트