🧺 RushWash: AI-Based Laundry Assistant

YOLOv8 + LLM 기반 얼룩 & 세탁 기호 분석 자동화 시스템
Graduation Comprehensive Project (2025)

---

📌 프로젝트 개요

RushWash는 의류 이미지에서 얼룩과 세탁 기호를 자동으로 인식하고,
사용자에게 가장 적절한 세탁 방법을 자연어로 추천하는 AI 서비스입니다.

• 얼룩 검출 : YOLOv8 (Object Detection)
• 얼룩 분류 : ConvNeXt (Image Classification)
• 세탁 기호 인식 : YOLO (Object Detection)
• 세탁법 제안 : LLM (kanana-nano-2.1b-base Prompt)
• 엔드-투-엔드 파이프라인 : Python + Spring Boot + React + MariaDB

---

🧠 주요 기능

기능명	설명
🟥 얼룩 탐지	YOLOv8로 의류 내 얼룩 Bounding Box 검출
🟦 얼룩 종류 분류	검출된 영역 crop → Yolov8s로 분류
🟨 세탁 기호 인식	세탁 라벨을 YOLO로 검출
🟩 세탁 가이드 생성	얼룩 + 섬유 정보 기반 LLM 문장 생성
🛠️ MLOps 파이프라인	MariaDB 연동 → 학습/평가 → JSON 결과 자동 저장

---

🎬 시연 영상

RushWash_demo.mp4

---

🏗️ 시스템 아키텍처

---

🗂️ 시스템 기능 개요

1) 시스템 흐름

2) 서비스 종류

---

📱 애플리케이션 흐름

1) 얼룩 분석 서비스

2) 라벨 분석 서비스

3) 얼룩 + 라벨 통합 분석 서비스

4) 섬유 유연제 추천, 인근 세탁소 검색 서비스

---

⚙️ 기술 스택

분류	사용 기술
Object Detection	YOLOv8 (Ultralytics)
Image Classification	YOLOv8 (Ultralytics)
텍스트 생성	kanana-nano-2.1b-base Prompt (LLM)
백엔드	Spring Boot, MariaDB
프론트엔드	React, Tailwind CSS
ML Infra	Python, PyTorch, Ray Tune, WandB

---

📊 모델 벤치마크

1) Symbol Detection - YOLOv8 (Object Detection)

Model ID	Input Res	Best Conf	Best IoU	mAP@50	mAP@50-95	Precision	Recall	F1-score	Latency (ms)	Param Opt
laundry_data_2_yolov8m_2048_train	2048	0.010	0.30	71.13	53.45	71.86	62.38	66.74	44.5	기본
pre_final_yolov8m_2048	2048	0.072	0.30	72.46	53.64	68.08	65.68	66.86	38.8	Conf/IoU
yolov8m_1600_optimized_pre_final	1600	0.031	0.30	71.91	53.42	65.62	70.76	68.09	30.9	✓
yolov8m_1600_optimized_pre_final2	1600	0.010	0.30	70.71	50.56	76.25	59.23	66.58	28.7	✓

---

2) Stain Detection - YOLOv8 (Object Detection)

Model ID	Precision	Recall	F1-score	Latency (ms)
stain_yolov8s_1280_b2	81.02	77.17	76.45	22.1
stain_yolov8s_1600_a1 (Best F1)	89.36	88.35	88.09	34.1
stain_yolov8s_1920_light_aug_final	75.21	71.30	72.09	49.6
yolov8m_2048	73.71	69.61	70.31	58.1
yolov8s_2048	76.65	73.00	73.32	57.6

---

3) LLM-based Laundry Guide

• 자체 LLM(2.1 B) + Rule Prompt 조합으로 자연스러운 세탁 방법 설명을 생성.
• 정량 평가는 어려우나, UX 테스트(5명)에서 “설명이 이해하기 쉽다” 응답 95 %.*

---

🏗️ 학습 설정 요약

모델군	epochs	imgsz	mosaic	mixup	auto_augment	optimizer
stain	150	1600	1.0	0.0	randaugment	auto
symbol	150	2048	✓	0.3	—	auto

모자이크 비활성 실험에서 검출 정확도가 2 ~ 4 %p 하락.

---

🗂️ 어노테이션 데이터셋

항목	내용
목적	객체 탐지 기반 분류 학습을 위해 정밀한 바운딩 박스 필요
수량	3,132장 수작업 완료
클래스	Stain 9종 / Symbol 43종
라벨 포맷	YOLOv8 txt (class x_center y_center w h)
툴	LabelImg (오픈소스 GUI)
작업 환경	로컬 – 2인 검수 & 버전 관리

🌟 하이라이트

• stain_yolov8s_1600_a1 모델이 F1-score 88.09 %로 최고 성능.
• 파라미터 최적화(Conf/IoU Sweep) + 1600 입력으로 mAP +1.3 %p, Latency -8 ms.
• pre_final_yolov8m_2048 모델이 mAP@50-95 72.46 %로 최고 성능.

---

🧪 사용 방법

# 1) 전체 파이프라인 실행
python pipe_final.py \
  --db-host localhost \
  --db-port <PORT> \
  --db-user <USER> \
  --db-password <PASSWORD> \
  --db-name rushwash

# 2) 개별 추론 (얼룩 이미지 예시)
python ai/infer_stain.py --image /path/to/image.jpg

# 3) 프론트엔드 실행
cd frontend
npm install
npm run dev

---

📁 프로젝트 구조

RushWash/
├── ai/                # YOLO, CNN, OCR, LLM 모듈
├── data/              # 학습 데이터셋 · 설정
├── frontend/          # React UI
├── backend/           # Spring Boot 서버
├── database/          # MariaDB 스키마
├── pipe_final.py      # 전체 파이프라인 스크립트
└── README.md

---

🏆 수상 및 발표

• 🥇 한국인공지능융합기술학회 우수 발표 논문상 (2025)

---

👤 Team Members

Avatar	이름 / 영문	담당 영역	핵심 기술스택	GitHub
	장재혁 Jae-Hyuk Jang	시스템 설계·구현 (AI · MLOps)	YOLOv8 | PyTorch | Ray | MLflow	Jae-Hyuk-Jang
	김태윤 Tae-Yoon Kim	시스템 설계·구현 (AI · MLOps)	LLM | PyTorch | MLflow	tyoon11
	김채연 Chae-Yeon Kim	백엔드 개발 (BE)	Spring Boot | JPA | MariaDB	chaechae128
	전수현 Su-Hyun Jeon	백엔드 개발 (BE)	Spring Boot | JPA | MariaDB	soo0711
	김지현 Ji-Hyun Kim	프론트엔드 개발 (FE)	React | TailwindCSS	ghbtkk