모델을 통해 예측하기

Mech-Vision에서 인스턴스 세그멘테이션 모델을 사용하기

1.카메라에서 이미지를 캡처합니다.

2.2D ROI에 있는 이미지 크기를 조정하여 실제 데이터의 ROI가 훈련 데이터의 ROI와 일치하게 만듭니다. 단 ROI 크기를 조정할 때 수동 혹은 자동 모드를 설정해야 합니다. 일반적으로 자동 모드로 설정하면 됩니나.

3.인스턴스 세그멘테이션이 딥러닝 세그멘테이션 결과를 출력합니다. 구체적인 수요에 따라 출력된 결과가 요구에 부합하는지, 마스크가 완전한지,인식할 때 빠진 부분 혹은 틀린 부분이 있는지를 판단할 수 있습니다.(모델 파일.pth 및 구성 파일.py를 정확하게 입력해야 함). 다음과 같은 몇 가지 파라미터를 주의해야 합니다:

프리로드-최대 검출된 물체

모델이 한 번에 수십 또는 수백 개의 물체를 인식해야 하는 경우 이 파라미터를 조정해야 합니다. 반면에 타겟 물체가 적고 프로젝트 실행 시 택트에 대해 요구가 있는 경우 이 파라미터를 낮추어 택트를 최적화할 수 있습니다.

프리로드-믿음도 역치

일반적으로 믿음도 역치는 기본값인 0.7를 사용하면 됩니다. 타겟 물체의 마스크 믿음도 역치가 기본값보다 작으면 해당 물체가 피킹 요구에 부합하지 않고 믿음도 폰트가 빨깐색으로 표시될 것입니다. 이 때 프로젝트의 정밀도 요구에 따라 이 파라미터를 적절하게 조정할 수 있습니다. 예를 들어 믿음도 값은 상대적으로 낮지만 물체의 마스크가 완전하고 피킹 요구에 부합하는 경우에 더 많은 타겟 물체를 피킹할 수 있도록 믿음도 파라미터를 적당히 낮출 수 있습니다.

폰트-맞춤형 폰트 사이즈

일반적으로 기본값을 사용하면 되고 타겟 물체가 매우 작을 경우 관찰하는 데 편리하기 위해 폰트 사이즈를 적절하게 조정할 수 있습니다.

시각화-이미지에서 타겟 물체를 그리기

True를 선택하면 타겟 물체의 마스크가 표시되고 모델의 인식 효과를 더 편리하게 관찰할 수 있습니다. 실제로 프로젝트를 실행할 때 언체크하여 택 타임을 개선할 수 있습니다.

시각화-타겟 물체의 시각화 방법

classes 를 선택하면 마스크가 레이블 유형에 따라 다른 색깔로 표시되고 분류할 수 있습니다. Instances를 선택하면 물체 간의 차이를 표시하기 위해 마스크가 물체별로 서로 다른 색깔로 표시될 것입니다. Threshold를 선택하면 믿음도 역치보다 높은지 낮은지에 따라 서로 다른 색깔로 표시될 것입니다.

팁

한 프로젝트에 두 가지의 인스턴스 세그멘테이션 모델을 사용하려면 두 개의 인스턴스 세그멘테이션 스텝을 사용해야 하고 대응하는 모델 파일 및 구성 파일을 구성해야 합니다. 그리고 서버 IP 주소 를 각각 127.0.0.1:50052 및 127.0.0.1:50053로 설정해야 합니다. 그렇지 않으면 포트 충돌을 일으킬 것입니다.

4.2D ROI의 조정된 이미지를 복원하합니다(이미지를 원래 크기로 복원함).