Streamlit과 Plotly로 구현한 스쿨존 과태료 시뮬레이터 및 실시간 히트맵

공공 데이터를 활용해 실무적인 도구를 만드는 과정에서 직면했던 시각화 이슈와 데이터 트래킹 로직을 공유합니다.이번 프로젝트의 핵심은 Plotly Express와 Graph Objects를 활용한 레이어 중첩 처리였습니다. 특히 히트맵 위에 동적 마커를 안정적으로 렌더링하기 위한 데이터 형변환 과정이 핵심입니다.# 🎯 레이어 중첩 및 히트맵 렌더링 핵심 로직 fig = px.density_mapbox( city_counts, lat='lat', lon='lon', z='조회건수', radius=35, center=dict(lat=36.5, lon=127.5), zoom=6.5, mapbox_style="carto-positron", hover_name='city' )전체적인 시스템 아키텍처와 Supabase를 활용한 익명 데이터 로깅 방식, 그리고 개발 과정에서 발견한 Plotly의 치명적인 렌더링 버그와 해결 방법은 아래 영상에서 자세히 확인하실 수 있습니다.[기술 리뷰 및 소스 코드 확인]유튜브: https://youtu.be/3NTzOH-QUOI과태료 조회 : https://schoolzonefinesim.streamlit.app/GitHub: https://github.com/gohard-lab/school_zone_fine_sim

🚀 인위적인 번들거림을 제거한 고충실도(High-fidelity) AI 업스케일러 공개

기존 AI 화질 개선 툴들이 보여주는 특유의 부자연스러운 매끄러움(Plastic look)에 아쉬움을 느껴 직접 제작한 GoHard AI Upscaler를 소개합니다. 단순히 해상도를 키우는 것을 넘어, 원본이 가진 고유의 질감을 보존하는 데 집중했습니다.✨ 핵심 가치 (Core Values)High-fidelity AI Upscaling: 공격적인 노이즈 제거 대신, 실제 사진과 같은 자연스러운 입자감과 구조적 디테일을 복원합니다.Clean and Intuitive UI: 복잡한 설정 없이 작업에만 집중할 수 있도록 직관적이고 깔끔한 인터페이스를 갖췄습니다.Safe & Private Environment: 사용자의 데이터는 외부 서버로 전송되지 않습니다. 로컬 환경 또는 안전하게 격리된 Google Colab에서만 처리됩니다.💻 핵심 로직 (Python 기반)IT 커뮤니티(OKKY, 벨로그 등)의 성격에 맞춰 기술적 원리를 엿볼 수 있는 핵심 코드 일부를 공유합니다.# 고충실도 텍스트 보존 엔진 예시 from gohard_engine import FidelityModel from tracker_web import log_app_usage def process_high_res(image_path): # 인위적인 스무딩을 억제하고 디테일을 재구성 upscaler = FidelityModel(mode="texture_priority") log_app_usage("upscaler_v1", "high_res_task") return upscaler.run(image_path)🚨 치명적인 단점과 기술적 한계이 프로그램은 완벽하지 않습니다. 고충실도(High-fidelity) 구현을 위해 구조적으로 감수해야 했던 치명적인 단점 한 가지가 존재합니다. 이 기술적 병목 현상이 발생하는 구체적인 이유와 제작 과정에서의 비하인드는 아래 영상에 솔직하게 담았습니다.(배포된 실행 파일은 철저한 검증을 거쳤으므로 안심하고 사용하셔도 됩니다.)치명적인 이유 확인 (유튜브): https://youtu.be/vXHdwpibqEo개발자 양심 가이드: 이 프로그램이 도움이 되었다면, ‘체리피커’가 되기보다 개발자의 양심을 담아 GitHub Star 하나만 부탁드립니다! ⭐

[Open Source] 파이썬으로 직접 만드는 100% 무료 AI 화질 개선 툴 (4K

안녕하세요. 평소 자동차와 IT 기술을 사랑하며 '잡학다식 개발자' 채널을 운영 중인 개발자입니다.최근 유료 AI 이미지 업스케일러 서비스들이 많아졌지만, 소중한 개인 사진을 외부 서버에 업로드하는 것이 보안상 꺼려질 때가 많았습니다. 그래서 Real-ESRGAN 모델을 활용해 내 로컬 PC에서 100% 오프라인으로 작동하는 화질 개선 프로그램을 직접 구현해 보았습니다.주요 특징100% Offline: 외부 서버 전송 없이 로컬에서 안전하게 처리Real-ESRGAN 기반: 딥러닝 모델을 통한 정밀한 디테일 복원Batch Processing: 수십 장의 저화질 사진을 한 번에 4K로 변환핵심 코드 스니펫 (Python)전체 로직의 핵심인 모델 로드와 추론 부분입니다. upscale_image 함수 하나로 저화질 이미지의 노이즈를 제거하고 해상도를 복원합니다.Pythonimport cv2 from basicsr.archs.rrdbnet_arch import RRDBNet from realesrgan import RealESRGANer def upscale_image(image_path, model_path, tile=0): # Real-ESRGAN 모델 구조 설정 model = RRDBNet(num_in_ch=3, num_out_ch=3, num_feat=64, num_block=23, num_grow_ch=32, scale=4) upsampler = RealESRGANer(scale=4, model_path=model_path, model=model, tile=tile) img = cv2.imread(image_path, cv2.IMREAD_UNCHANGED) output, _ = upsampler.enhance(img, outscale=4) return output # 라이브러리 설치 시 uv를 사용하면 더욱 빠르고 안정적입니다. # uv pip install realesrgan basicsr 구체적인 작동 원리나 저해상도 자동차 사진이 4K로 변환되는 실제 테스트 과정은 유튜브 콘텐츠를 참고해 주시면 감사하겠습니다. 특히 영상 후반부에는 오픈소스 모델이 상용 서비스보다 아쉬운 치명적인 단점에 대해서도 솔직하게 담았습니다. 👉[유튜브 콘텐츠 확인하기](※ 실행 파일은 제가 직접 빌드한 것이니 안심하고 받으셔도 됩니다.)

[Python] Matplotlib을 활용한 F1 레이스카 궤적 이탈 시뮬레이션 구현

안녕하세요.오늘은 파이썬의 NumPy와 Matplotlib 애니메이션 기능을 활용해, F1 차량의 코너링 중 접지력 상실(Hydroplaning) 시점을 계산하고 궤적을 시각화하는 시뮬레이션을 구현해 보았습니다.개발을 하다 보면 종종 '모든 물리 변수를 정밀하게 넣어야 완벽한 코드'라는 이론적 강박에 빠지곤 합니다. 하지만 목적이 '데이터 추출'이 아닌 '현상의 시각화'라면, 모델의 복잡도를 낮추는 것이 렌더링 최적화와 직관성 측면에서 현실적인 정답이 될 수 있습니다.아래는 차량의 현재 위치와 속도, 중력가속도를 계산하여 그립(Grip) 상실 여부에 따라 궤적 벡터를 분기하는 핵심 코드 블록입니다.def calculate_state(t, v0, r, drag_coef): dt_step = t if t = config['t_hydroplaning']: lost_grip_theta = initial_theta + omega * config['t_hydroplaning'] lost_grip_pos = np.array([r * np.cos(lost_grip_theta) + r, r * np.sin(lost_grip_theta) + r]) lost_grip_v_vec = np.array([-v0 * np.sin(lost_grip_theta), v0 * np.cos(lost_grip_theta)]) slide_time = t - config['t_hydroplaning'] slide_accel = drag_coef * v0 slide_v_mag = max(0, v0 - slide_accel * slide_time) slide_v_avg = (v0 + slide_v_mag) / 2 slide_dist = slide_v_avg * slide_time v0_unit_vec = lost_grip_v_vec / v0 if v0 > 0 else np.array([0, 0]) car_x = lost_grip_pos[0] + v0_unit_vec[0] * slide_dist car_y = lost_grip_pos[1] + v0_unit_vec[1] * slide_dist return car_x, car_y 이 코드가 실제 화면에서 어떻게 애니메이션으로 구동되는지, 그리고 현업 데이터 분석 환경에서는 이론적인 수식과 어떤 간극이 존재하는지에 대한 구체적인 작동 원리와 자세한 설명은 아래 유튜브 콘텐츠를 참고해 주시면 감사하겠습니다. https://youtu.be/tZ1Vvy1g0Yg