딥러닝 퀵 스타트

딥러닝은 “데이터의 특정을 학습함으로써 문제를 해결합니다”.

인식해야 할 물체를 이미지로 캡처하고(캡처된 이미지는 “데이터” 라고 함) 이미지에서 인식해야 할 특징을 표기하며（이 과정은 “레이블링” 이라고 함）딥러닝 제품을 통해 이미지 및 레이블 정보를 학습하여 물체의 일반적인 특징을 습득하고 나서(이 과정은 “훈련” 이라고 함) 한 결과를 얻습니다(이 결과가 파일 식으로 나타나고 “모델” 이라고 함). 이 결과를 《데이터》 내용과 유사한 실제 프로젝트 시나리오에 활용하여(“예측” 이라고 함) 다양한 인식 문제를 해결할 수 있습니다.

딥러닝을 통해 어떤 문제를 해결할 수 있습니까?

딥러닝 제품은 다른 문제에 대해 맟춤형 해결 방법을 제공합니다.

	인스턴스 세그멘테이션	이미지 분류
대표적인 응용 사례	종이 상자, 마대, 회전 상자의 디팔레타이징&팔레타이징, 부품의 텐딩&커팅, 구즈 피킹, 택배 소포 등 시나리오에 사용될 수 있습니다.	부품 텐딩&커팅 프로젝트에 물체 종류, 사이즈, 방향 등을 구분하고 조립&구즈 피킹 프로젝트에 물체가 올바르게 배치된지 확인하며 종이 상자와 마대의 디팔레타이징&팔레타이징 프로젝트에 색깔과 종류가 서로 다른 물체를 구분하는 데 사용될 수 있습니다.
특징	위치 지정; 물체 분류	물체 분류

주의

딥러닝의 다양한 알고리즘은 각각 전문적인 문제를 해결할 수 있습니다.이러한 기능은 상호 배타적이지 않습니다. 하나만 선택하거나 다종의 기능을 결합하여 사용하는지 여부는 현재 프로젝트의 응용 시나리오와 구체적인 요구 사항에 따라 다릅니다.

딥러닝 프로세스는 보통 다음과 같이 다섯 가지의 스텝으로 구성되어 있습니다：

Step1 설치 환경： 환경 구축 을 참고하세요.

Step2 데이터를 준비하기：데이터를 수집하고 레이블링하며 확인합니다.

1.실제 응용 시나리오와 완전히 일치한 조건 아래 딥러닝에 필요한 이미지 데이터를 수집합니다.

2.프로젝트 수요에 의해 알고리즘을 선택한 뒤 규칙에 따라 데이터를 레이블링합니다.

3.레이블이 틀린 데이터가 있는지를 확인합니다(Mech-DLK를 사용하여 고효율적으로 훈련에 필요한 데이터를 준비할 수 있습니다).

Mech-DLK를 통해 데이터를 레이블링하기

Step3 모델을 훈련시키기：표기된 데이터를 통해 Mech-DLK에서 필요한 딥러닝 모델을 훈련시킵니다. 자세한 정보는 퀵 스타트 를 참고하세요.

Mech-DLK를 통해 딥러닝 모델을 훈련시키기

Step4 효과를 평가하기：미리 준비한 테스트 세트를 사용하여 모델 효과가 수요에 만족할 수 있는지를 평가합니다.

Step5 예측하기：사용자가 평가한 후의 모델을 프로젝트 새로운 이미지에 응용할 수 있습니다.