도시 AI 영상 관제 하드웨어 아키텍처의 핵심은 선명하게 보는 촬영 프런트엔드와 강하게 연산하는 추론 백엔드를 두 개의 분리된 부분으로 설계하는 것입니다. 프런트엔드는 촬영과 경량 전처리를 담당하고, 백엔드는 GPU나 전용 가속 카드로 다채널 영상의 구조화 파싱을 수행합니다. 오늘날 주류 방식은 프런트엔드에 NPU 탑재 스마트 카메라를 두어 1차 객체 검지를 수행하고, 엣지 측 추론 박스나 엣지 서버로 수십~수백 채널을 실시간 분석하며, 중앙에는 고성능 가속 카드를 두어 교차 영역 검색과 모델 재학습을 처리하는 것입니다. 이 계층형 아키텍처가 스마트시티 영상 프로젝트의 비용 구조와 구축 속도를 결정합니다.
1. 도시 AI 영상 관제 하드웨어 아키텍처의 계층 구성
분해해 보면 네 개 계층입니다. 첫째는 촬영 프런트엔드로 박스 카메라, PTZ 돔 카메라, 파노라마 카메라를 포함하며 핵심 파라미터는 센서 크기, 저조도 성능, 광역 동적 범위입니다. 도시 도로 시나리오는 보통 스타라이트급 저조도와 120 dB 이상의 광역 동적 범위가 필요하며, 그렇지 않으면 야간 정면 헤드라이트나 역광 얼굴은 사실상 사용할 수 없습니다. 둘째는 프런트엔드 지능 유닛으로 NPU 탑재 스마트 카메라나 기존 장비에 추가 장착하는 AI 모듈이며, 연산은 보통 1~10 TOPS 범위로 인체 검지, 번호판 인식 같은 경량 모델을 구동합니다. 셋째는 엣지 추론 노드로 엣지 서버와 추론 박스 형태이며, 한 대당 16~64개 영상 스트림을 수용하면서 다채널 디코딩과 구조화 분석을 동시에 수행해야 하므로 메모리 대역폭과 영상 디코딩 유닛 수에 높은 요구가 걸립니다. 넷째는 중앙 연산 클러스터로 카메라 간 궤적 재구성, 이미지 기반 검색, 모델 반복 학습을 처리하며, GPU 가속 카드와 HBM 메모리가 실제로 부담을 받는 계층입니다.
2. 엣지 추론과 중앙 학습의 하드웨어 요구 차이
둘은 크게 다르며, 이를 혼동하는 것이 흔한 선정 오류입니다. 엣지 추론은 와트당 몇 채널을 돌릴 수 있는지, 채널당 전력, 구축 환경 적응성을 봅니다. 동작 온도 범위는 영하 20도에서 60도까지를 커버해야 하고, 많은 교차로 캐비닛에는 냉방이 없으며 팬 냉각 설계의 먼지 축적 문제는 2년 안에 드러납니다. 엣지 노드는 메모리 용량이 많이 필요하지 않지만 영상 디코딩 채널 수는 충분해야 합니다. 1080P 25 fps H.264 디코딩 1채널이 소비하는 하드웨어 자원은 확실한 지표이며, 명목 연산 성능이 높아도 디코딩 채널이 부족하면 채널 수를 메울 수 없습니다. 중앙은 반대로 대용량 메모리와 고대역폭 메모리가 필요합니다. 여러 대형 모델이 동시에 상주해 배치 추론과 파인튜닝을 해야 하기 때문입니다. 최신 가속 카드는 HBM4로 이동하며 카드당 메모리가 200 GB를 넘어서는 방향으로 가고, 더 큰 파라미터의 비전 모델을 단일 카드에 담는 것을 목표로 합니다. 실용적 판단 기준은 이렇습니다. 엣지 단말에서는 고연산을 맹목적으로 쫓지 말고 디코딩 채널과 전력 한계를 먼저 계산하고, 중앙 장비에서는 피크 연산만 보지 말고 메모리 용량과 카드 간 인터커넥트 대역폭을 보아야 합니다.
3. 스마트시티에서 프런트엔드 지능이 실제로 필요한 시나리오
모든 지점에 지능형 프런트엔드가 필요한 것은 아닙니다. 적합한 시나리오는 분명한 특징을 공유합니다. 네트워크 백홀 대역폭이 제한적이거나, 응답 지연 요구가 높거나, 원본 영상의 외부 반출을 금지하는 개인정보 규정이 있는 경우입니다. 예를 들어 도시 간선도로의 전자 경찰 지점에서는 수백 밀리초 안에 트리거 로직이 완료되어야 하고 중앙으로 보내면 너무 느리므로 촬영과 번호판 인식이 프런트엔드에서 이루어져야 합니다. 또는 캠퍼스 출입구의 얼굴 출입 통제처럼 원본 얼굴 영상을 프런트엔드 단말 밖으로 내보내지 않는 것이 규정 기준인 경우도 그렇습니다. 반대로 카메라 간 궤적 추적과 이미지 기반 차량 검색은 프런트엔드에서 할 수 없고 할 필요도 없으므로 엣지나 중앙에 맡기는 것이 더 경제적입니다. 흔한 실수는 모든 카메라에 지능형 프런트엔드를 장착해 채널당 비용을 올리면서 실제로는 기본적인 움직임 검지로만 쓰는 것으로, 명백한 낭비입니다. 합리적인 방법은 지점별로 등급을 나누어 핵심 검문 지점에는 지능형 프런트엔드를, 일반 커버리지 지점에는 일반 카메라와 통합 엣지 노드 분석을 두는 것입니다.
4. 도시 AI 영상 관제 하드웨어 구축 시 보아야 할 지표
첫째는 디코딩 능력입니다. 엣지 장비 한 대가 어떤 해상도의 영상을 동시에 몇 채널 수용할 수 있는지 명확히 물어야 하며, 이는 명목 연산보다 실제 부하 수용력을 결정하는 확실한 제약입니다. 둘째는 인터페이스와 프로토콜 호환성입니다. 프런트엔드는 ONVIF와 GB/T 28181 등록을 지원해야 하고, 엣지 노드는 기존 영상 관리 플랫폼에 연결되어야 하며, 그렇지 않으면 구장비와 신장비가 분리되어 플랫폼 측에서 어댑터를 잔뜩 작성해야 합니다. 셋째는 환경 보호 등급입니다. 교차로 캐비닛 장비는 최소 IP54가 필요하고, 북부는 저온 기동을, 남부는 습기와 결로 방지를 고려해야 합니다. 넷째는 모델 업데이트 채널입니다. 도시 영상 프로젝트는 기간이 길고 알고리즘 반복이 일상이므로, 하드웨어가 원격 모델 배포와 버전 롤백을 지원해야 하며 업그레이드마다 현장 방문을 해서는 안 됩니다. 다섯째는 전력과 열 예산입니다. 엣지 서버는 대당 수십 와트에서 300 W 범위이므로 기존 교차로 캐비닛의 전력 용량과 열 여유를 미리 계산해야 하며, 많은 프로젝트가 알고리즘 성능이 아니라 이 지점에서 멈춥니다.
5. 이 아키텍처가 적합한 경우와 그렇지 않은 경우
적합한 시나리오: 지점이 분산되고 백홀 대역폭이 제한적이며 실시간 요구가 있는 도시 도로 검문 지점, 교차로 전자 경찰, 캠퍼스 주변부 방어, 공공장소 인파 밀도 모니터링으로, 계층형 아키텍처가 연산을 가장 알맞은 위치에 배치합니다. 또한 ERP 시대부터 수십 년간 일해 왔고 120만 고객에게 서비스하며 누적 수천만 대의 단말을 구축하고 국내외 시장을 커버하는 통합 사업자에게도 적합합니다. 이런 벤더는 기존 영상 지점을 대량으로 보유하고 있어 모든 프런트엔드를 교체하는 것보다 엣지 개조가 더 현실적입니다. 부적합한 시나리오: 초고화질 파노라마 영상을 프레임 단위로 전면 구조화 분석하는 경우, 예를 들어 4K 30 fps 채널마다 다중 객체 속성을 추출하는 작업은 엣지 노드가 감당할 수 없고 중앙 클러스터가 처리해야 합니다. 또한 단일 초대형 모델에 강하게 의존하는 시나리오도 마찬가지로, 엣지 단말의 메모리와 전력 한계 때문에 대형 모델을 억지로 넣으면 채널 수만 희생됩니다. 이 밖에 유입 자재의 일관성이 나쁘고 렌즈 오염이 심한 노후 지점에서는 프런트엔드 지능의 오경보율이 뚜렷이 상승하므로, 지능을 논하기 전에 렌즈를 청소하고 각도를 재보정해야 하며 그렇지 않으면 하드웨어가 거의 성과를 내지 못합니다.