보안 카메라로 새소리를 듣자 드러난 AI의 비용

제이슨 터커(Jason Tucker)는 집 밖에 설치된 보안 카메라 세 대의 마이크를 이용해 새소리를 자동으로 식별하는 시스템을 만들었다. 새를 촬영하려고 카메라를 새로 산 것이 아니라, 이미 켜져 있던 장비의 오디오를 버드넷고(BirdNET-Go)에 연결한 것이다. 부부가 매일 확인할 만큼 유용해진 이 프로젝트는 한편으로 로컬 AI 모델의 계산 비용과 오인식, 상시 작동하는 센서의 사생활 문제까지 드러냈다. 설치 성공담에서 끝나지 않고, 몇 달간 운영하며 무엇을 끄고 조정했는지까지 보여준다는 점이 흥미롭다.

핵심 요약

  • 터커는 기존 보안 카메라 세 대의 오디오를 버드넷고에 연결해 새소리를 상시 식별하며, 별도 촬영 장비 없이 카메라의 용도를 넓혔다.
  • 식별 모델은 집 안의 기기에서 실행되고 종별 알림과 새로 발견한 종의 기록도 가능해, 새 관찰이 수동 검색에서 지속적인 기록으로 바뀌었다.
  • 구글 퍼치 v2(Google Perch v2)는 탐지 대상 종을 늘렸지만 터커의 오래된 노트북에서는 처리 부담과 오인식이 커, 지원 종 수만으로 모델을 고르기 어렵다는 점을 보여줬다.
  • 토론에서는 전자잉크 화면과 전용 마이크 같은 확장 아이디어와 함께, 기존 보안 센서가 원래 목적 밖의 정보를 얼마나 쉽게 수집하는지에 대한 우려가 나왔다.

휴대전화 새소리 앱에서 집 밖의 마이크로

터커의 아내는 휴대전화 앱으로 새소리를 듣고 종류를 알아보는 일을 좋아했다. 터커는 그 과정을 사람이 휴대전화를 들고 있지 않을 때도 계속할 방법을 찾다가 버드넷(BirdNET)과 버드넷고를 발견했다. 도커(Docker, 프로그램을 독립된 실행 환경에 담아 설치·관리하는 방식)로 실행할 수 있고 기존 보안 카메라의 소리도 입력받을 수 있다는 점이 결정적이었다. 그는 집 주변 카메라 세 대의 마이크를 연결했고, 새가 울 때마다 자동으로 식별 결과가 쌓이기 시작했다.

버드넷고는 오디오를 계속 듣다가 새소리가 들어오면 분석한다. 사용자가 녹음을 시작하거나 파일을 따로 올릴 필요가 없는 구조다. 터커는 새뿐 아니라 개구리 소리도 탐지했다고 적었으며, 박쥐 탐지도 가능하다고 소개했다. 다만 박쥐를 더 정확히 탐지하려면 특수 마이크가 도움이 될 수 있다고 덧붙였다.

로컬 모델과 늘어난 탐지 대상

이 시스템의 식별 모델은 집 안의 서버나 라즈베리 파이(Raspberry Pi) 같은 기기에서 돌아간다. 터커가 강조한 장점은 식별할 때마다 클라우드 서비스에 접속하거나 API를 호출하지 않아도 된다는 것이다. 오디오 역시 사용자가 공유를 선택하지 않는 한 집 밖으로 보내지 않는다. 월 구독료 없이 직접 운영할 수 있다는 점은 그가 이 구성을 택한 이유 중 하나다.

모델을 하나만 써야 하는 것도 아니다. 터커는 모델 갤러리에 추가된 구글 퍼치 v2의 탐지 대상이 1만4795종으로, 버드넷 2.4의 6000종보다 많다고 소개했다. 지원 종 수가 늘면 드물게 들리는 새를 포착할 여지도 커진다. 그러나 두 모델을 함께 돌릴 수 있다는 것과, 각자의 컴퓨터에서 하루 종일 무리 없이 돌릴 수 있다는 것은 별개의 문제였다.

새 방문자를 기록하고 원하는 종만 알리기

버드넷고에서는 특정 종을 대상으로 알림 규칙을 만들 수 있다. 기다리던 새가 울었을 때 바로 알림을 받거나, 지역의 종 목록을 기준으로 관심 대상을 골라낼 수 있다. 터커는 식별 결과를 집에서 쓰는 디스코드(Discord) 채널에도 연결했다. 계속 쌓이는 기록에서 필요한 순간만 골라 보게 해주는 기능이다.

처음 탐지된 종을 따로 표시하는 기능도 있다. 그동안 집 주변에서 확인한 새가 무엇인지 목록으로 남기고, 새 종이 추가될 때 알아볼 수 있다. 터커는 아내와 함께 이를 작은 게임처럼 즐기게 됐다고 말했다. 어느 새가 언제 찾아오는지도 기록이 쌓이면서 알게 됐다.

카메라 스트림을 쓰되 소리 품질은 확인하기

기존 카메라를 재활용할 수 있었던 연결 고리는 RTSP(네트워크 카메라의 영상·음성 스트림을 전송하는 규약)다. 카메라가 이를 지원하면 스트림 주소를 버드넷고에 입력해 오디오를 가져올 수 있다. 터커는 별도 새 관찰 장비를 사지 않고 보안 카메라 세 대를 이용했다. 다만 모든 장소를 카메라로 메우려는 것은 아니어서, 사생활을 이유로 카메라를 두지 않은 뒷마당에는 마이크만 설치하는 방안을 생각하고 있다.

연결에 성공했다고 해서 모든 입력이 똑같이 쓸 만한 것은 아니다. 화면에는 채널별 실시간 오디오 에너지 수준이 표시돼 마이크가 소리를 받고 있는지 살펴볼 수 있다. 터커는 이 정보로 바람 소음이나 에어컨 소리가 탐지를 방해하는지 확인하고 카메라 위치를 조정할 수 있다고 설명했다. 자신의 설정에서는 말소리가 들리면 마이크 입력이 차단된다는 점도 덧붙였다.

집 안 화면과 바깥 공유망으로 이어진 기록

탐지 결과는 다른 서비스와도 연결된다. 버드웨더(BirdWeather)에 관찰 기록을 공유하는 기능은 선택 사항이며, 터커는 이를 다른 관찰자와 연구자가 지역의 새 활동을 보는 통로로 소개했다. 홈 어시스턴트(Home Assistant)에는 MQTT(기기 간 메시지를 주고받는 통신 방식)를 통해 연결할 수 있다. 그는 직접 만든 대시보드에서 결과를 확인하고 알림도 받는다.

표시 방식에도 선택지가 생겼다. iOS용 버드넷고 컴패니언(BirdNET-Go Companion)은 서버에 연결해 탐지 결과를 보여주고, 사에즈리(Saezuri)는 최근 탐지된 종을 목판화풍 화면에 배치한다. 사에즈리에서는 자주 우는 새일수록 크게 나타나며, 계정이나 클라우드 없이 집 안의 네트워크에서 작동한다. 터커는 이 화면을 시험하면서 탐지 기록에 남은 방귀 소리의 사진까지 찾으려는 로그를 보고 웃었다고 전했다.

매일 보는 목록이 된 뒤 쌓인 숫자

터커는 처음에는 일주일쯤 지나면 흥미를 잃을 줄 알았다고 썼다. 실제로는 부부가 매일 결과를 확인하며, 근처에 사는지 몰랐던 종도 발견했다. 친구들에게도 보여주기 위해 클라우드플레어(Cloudflare) 뒤에 둔 집의 공개 도메인으로 일부 접속을 허용했다. 보안을 위해 설치한 카메라가 일상의 자연 관찰 도구도 된 셈이다.

그가 나중에 덧붙인 12개월 집계에는 총 271종에 걸쳐 탐지 41만8726건이 기록돼 있다. 평균 신뢰도는 60.9%였고, 남부 캘리포니아에 있는 그의 집에서 가장 자주 잡힌 종은 집방울새로 11만8667건이었다. 숫자는 시스템이 얼마나 꾸준히 듣고 있었는지 보여주지만, 탐지 횟수를 곧바로 정확한 관찰 횟수로 읽어서는 안 된다. 터커 자신도 새 전문가라기보다 주변에 새가 많아 이 방식을 시도한 사람이라고 설명했다.

9월에 드러난 퍼치의 비용과 오인식

9월 업데이트에서 터커는 지원 종을 늘린 대가를 공개했다. 2011년 출시된 인텔 i7-2760QM과 메모리 32GB를 갖춘 오래된 노트북에서 두 모델을 카메라 세 대에 모두 적용하자 CPU 사용률이 계속 약 275%에 달했다. 탐지 데이터베이스 네 달 치를 진단한 결과, 이 장비에서 퍼치의 추론(모델이 입력을 분석해 결과를 내는 과정)은 건당 약 2.9초로 버드넷의 127밀리초보다 약 23배 오래 걸렸다. 24시간 들어오는 세 갈래 오디오에서는 모델의 처리 시간 차이가 크게 누적됐다.

부하를 줄이려고 퍼치만 실행한 시도도 실패했다. 앞마당 마이크에서는 북미에서 거의 볼 수 없는 유럽의 새가 3498회 탐지됐고, 큰뿔부엉이는 주로 오전 9~10시에 2만3035회 탐지됐다. 터커가 확인한 버드넷고 FAQ에 따르면 퍼치는 단독 실행이 아니라 버드넷과 함께 쓰도록 지원되며, 두 모델의 판단이 일치하는지 비교해 이런 오탐을 걸러낸다. 하지만 두 모델을 카메라 한 대에만 적용한 구성은 지속 CPU 사용률이 451%에 이르렀다.

결국 터커는 퍼치를 빼고 카메라 세 대에 버드넷만 남겼다. 앞마당 카메라와 비슷한 소리를 중복해서 듣던 초인종 마이크를 끄고, 분석 구간의 겹침 설정을 기본값으로 되돌렸다. 스레드 수는 자체 벤치마크 결과에 따라 4개로 맞추고, 신뢰도가 낮은 탐지를 줄이기 위해 임계값도 조금 올렸다. 그 뒤 지속 CPU 사용률은 약 35~70%로 내려갔다. 더 많은 종을 찾아주는 모델보다, 감당할 수 있는 부하로 오탐을 관리하며 오래 운영하는 구성이 그의 장비에는 맞았다.

커뮤니티 의견

한 사용자는 유니파이(Unifi) 초인종 카메라의 RTSP 오디오로 같은 구성을 만들었다고 했다. 다음에는 탐지된 새의 목판화풍 그림을 전자잉크 화면에 띄우고 싶다고 적었다. 답글에서는 위키피디아 이미지를 화면에 맞게 가공해 새 정보와 함께 표시한 사례도 나왔다.

다른 사용자는 새를 알아보는 데서 멈추지 않고, 수영장에 접근하는 새를 탐지해 스프링클러로 쫓는 프로젝트를 소개했다. 같은 종류의 탐지 기술이라도 관찰에 쓸지, 특정 구역에서 새를 멀리하는 데 쓸지에 따라 경험이 달라진다는 사례다. 답글에는 쫓아낸 새의 종류까지 기록하면 되겠다는 반응이 이어졌다.

코넬대학교의 멀린 버드 ID(Merlin Bird ID) 앱을 추천하는 의견도 있었다. 한 사용자는 새에 관심 없던 사람도 이 앱을 계기로 관심을 갖게 됐다고 말했다. 답글에서는 여러 나라에서 써봤다는 경험과, 발견한 새를 목록에 추가하는 즐거움을 게임에 빗댄 반응이 나왔다.

아카라(Aqara) 카메라로 시도한 사용자는 바람막이 없는 마이크 때문에 바람 소음이 심했다고 했다. 카메라 펌웨어의 오디오 샘플링 속도는 16kHz에 머물렀는데 버드넷은 48kHz 샘플을 기대해, 결국 별도 마이크와 라즈베리 파이로 옮겼다고 설명했다. 기존 카메라를 쓸 수 있느냐와 실제로 새소리를 잘 들을 수 있느냐는 다른 문제라는 지적이다.

보안 카메라를 새 관찰에 활용한다는 말에서 감시 카메라망을 떠올린 사용자도 있었다. 그 사용자는 ‘새떼’를 뜻하는 이름의 카메라가 조류 관찰용인 줄 알았다가 감시 용도를 알고 불편함을 느꼈다고 말했다. 이름이 만든 농담보다, 주변을 계속 기록하는 장비가 어디에 쓰이는지가 더 중요하다는 반응이다.

또 다른 사용자는 카메라 대신 마이크를 단 휴대용 버드넷파이(Birdnet-Pi)를 만들었다고 했다. 여행이나 하이킹에도 가져가도록 구성하고, 전자잉크 화면에는 그날 많이 탐지된 새와 최근 탐지 결과를 표시했다. 집에 고정된 카메라를 재활용하는 방법과 달리 관찰 장소를 옮길 수 있다는 선택지다.

싱가포르 동부에 사는 사용자는 라즈베리 파이 3에 전방향 마이크와 실외 카메라 두 대의 RTSP 오디오를 연결해 두 달 동안 탐지 7만6000건, 112종을 기록했다고 했다. 같은 공간에서 별도 장비로 항공기 신호도 추적해 두 종류의 ‘새’를 본다고 표현했다. 마이크와 기존 카메라를 함께 쓰는 구성도 가능하다는 경험담이다.

상시 연결된 센서의 다른 면을 짚은 의견도 있었다. 한 사용자는 새 관찰이 매력적인 사례이지만, 다른 목적으로 설치한 센서에서도 정밀한 활동 정보가 쉽게 추출된다는 점이 섬뜩하다고 했다. 카메라의 오디오를 재활용할 수 있다는 장점 자체가 수집 범위를 살펴봐야 할 이유라는 지적이다.

핵심 통찰

이 사례가 바꾸는 것은 새 식별 앱의 위치다. 사람이 휴대전화를 들어 소리를 확인하던 일이 기존 카메라와 로컬 모델을 거쳐 집 안의 상시 기록으로 바뀌었다. 그러나 터커의 9월 수정은 탐지 가능한 종 수보다 장비가 버틸 수 있는 처리량, 모델을 함께 써야 하는 이유, 오탐을 찾아낼 기록 검토가 더 중요할 수 있음을 보여준다. 카메라를 재활용하는 사람이 늘수록 소리 품질뿐 아니라 어떤 소리가 수집되고 공유되는지도 함께 살펴봐야 한다.


원본: How I Turned My Security Cameras Into an Automatic Bird Identification System with BirdNet-Go

토론: Hacker News