증명사진 후처리를 자동화하는 오픈소스 AI 도구 LiYing: 각도 교정부터 인쇄 배판까지
사진관의 번거로운 증명사진 후처리 워크플로우를 자동화하는 오픈소스 AI 도구 LiYing. 얼굴 및 어깨 기울기 교정, 스마트 배경 교체, 규격별 자동 크롭 및 인화용 배판까지 로컬 오프라인 환경에서 원스톱으로 처리합니다.
사진관이나 전문 스튜디오에서 증명사진이나 여권 사진을 촬영한 뒤 거치는 후처리 작업은 매우 번거롭고 반복적인 수작업을 요구합니다. 촬영된 인물의 어깨와 얼굴 수평을 바르게 교정하고, 정밀하게 배경을 분리하여 규격에 맞는 단색 배경으로 교체해야 하며, 각종 신분증이나 시험 접수 규격에 맞게 크롭한 뒤 인화지에 여러 장을 정렬하여 배치해야 합니다. 오픈소스 프로젝트 LiYing(丽影)은 이러한 일련의 사진관 후처리 파이프라인을 인공지능 모델 기반으로 완전 자동화하여 원스톱으로 해결해 주는 전문 오픈소스 소프트웨어입니다.

이미지 출처: @fhwofjow51260 / LiYing (aoguai)
사진관의 수작업 후처리를 대체하는 LiYing의 자동화 아키텍처
기존 사진 스튜디오 환경에서 촬영된 인물 사진을 규격화된 증명사진으로 가공하기 위해서는 숙련된 작업자가 포토샵과 같은 전문 그래픽 툴을 사용해 매 장마다 수동으로 누끼를 따고 안내선을 보며 크롭해야 했습니다.
오픈소스 프로젝트 LiYing(GitHub: aoguai/LiYing)은 이러한 비효율적인 반복 작업을 최소화하기 위해 개발되었으며, 공개 이후 개발자와 스튜디오 실무자들 사이에서 주목받으며 GitHub에서 3,300개 이상의 스타를 기록하고 있습니다.
LiYing은 번거로운 후처리 단계를 하나의 통합된 자동화 파이프라인으로 연결합니다. 인체와 얼굴을 감지하는 AI 모델, 머리카락까지 섬세하게 분리하는 매팅 알고리즘, 인쇄용 레이아웃을 자동 생성하는 배판 모듈을 하나의 데스크톱 환경에 유기적으로 결합하여 클릭 몇 번만으로 완성도 높은 결과물을 산출합니다.
AI 기반 자세 교정, 정밀 누끼 분리 및 규격별 자동 재단
LiYing의 핵심 강점은 인공지능 컴퓨터 비전 모델을 활용한 정밀한 인물 인식과 자동 보정 메커니즘에 있습니다.
- 자동 수평 및 기울기 교정: 사진 내 인체와 안면 윤곽을 자동으로 감지합니다. 촬영 시 미세하게 비틀어진 어깨선과 기울어진 고개 각도를 인식하여 수평 정면을 바라보도록 자연스럽게 자동 정렬합니다.
- 스마트 인물 누끼 분리 및 배경 교체: 딥러닝 기반 인물 분리 모델을 통해 머리카락 경계와 복잡한 외곽선을 정밀하게 추출합니다. 이후 용도에 맞추어 흰색, 파란색, 빨간색 등 공식 규격에 요구되는 단색 배경으로 즉각 교체합니다.
- 다양한 증명사진 규격 자동 크롭: 1인치(반명함판), 2인치(여권·비자판), 각종 자격증 및 공무원 시험 접수용 등 자주 사용되는 표준 종횡비와 여백 규격을 프리셋으로 내장하여 수동 측정 없이 대상 인물을 정확한 위치에 자동 크롭합니다.
인화용 자동 배판과 로컬 오프라인 실행의 프라이버시 보호
LiYing은 디지털 파일 저장에 그치지 않고, 사진관 실무에서 즉시 활용할 수 있는 인쇄 인화 프로세스까지 완벽하게 지원합니다.
완성된 인물 사진을 스튜디오 인쇄 규격지에 맞추어 4장, 6장, 8장 등 원하는 수량으로 자동 정렬 배치하는 '인화용 자동 배판' 기능을 기본 제공합니다. 인쇄소로 즉시 전송할 수 있는 무손실 압축 출력 기능을 함께 지원하여 출력 단계에서의 시간 소모를 획기적으로 단축합니다.
무엇보다 큰 장점은 모든 AI 추론과 이미지 처리 과정이 사용자의 로컬 환경에서 100% 오프라인으로 구동된다는 점입니다. 민감한 고객의 얼굴 사진을 외부 클라우드 서버나 서드파티 API로 전송하지 않으므로 데이터 유출 위험 없이 안전하게 스튜디오 시스템에 도입할 수 있습니다.
다만 로컬 환경에서 구동하기 위해 Python 환경 및 딥러닝 모델 관련 종속성 설정이 필요할 수 있습니다. 또한 원본 사진의 해상도가 지나치게 낮거나 극단적인 역광 및 조명, 과도한 촬영 각도가 적용된 원본의 경우 배경 분리 경계선이나 각도 보정 정확도에 편차가 발생할 수 있으므로 표준적인 촬영 조건을 갖춘 상태에서 활용하는 것이 권장됩니다.
출처
- GitHub 저장소: aoguai/LiYing
- X (Twitter) 소개 스레드: @fhwofjow51260