FAQ

1. 자발적으로 카메라 노출을 조정하거나 빛을 채우는 식으로 환경 조명의 변화를 시뮬레이션함으로써 데이터를 수집해도 됩니까?

안 됩니다. 작업 현장의 조명이 낮과 밤에 다르면 다른 조명을 사용할 때의 이미지를 각각 캡처해야 합니다. 수동으로 설정한 데이터는 실제 상황에서 참고할 수 있는지를 모릅니다.

2. 카메라가 설치된 위치가 고정되며 전송된 물체들의 위치가 변하는 경우에 카메라 위치를 바꾸어 물체 위치의 변화를 시뮬레이션해도 됩니까?

안 됩니다. 카메라의 설치 위치는 데이터를 수집하기 전에 정해져야 합니다. 카메라 위치를 바꾸면 딥러닝 모델 효과 및 카메라 외부 파라미터에 영향을 미칠 것입니다. 이러한 경우에는 훈련 시 ROI를 적당히 크게 설정할 수 있습니다.

3. 기존 카메라의 이미지 질은 좋지 않아서 카메라를 바꿔야 하는데 카메라를 바꾼 후 반복 모델을 위해 원래 카메라가 수집한 데이터를 새 카메라로 입력해야 합니까?

입력할 필요가 없습니다. 카메라를 바꾼후 데이터를 새로 수집하여 모델을 훈련시켜야 합니다.

4. 배경(피킹 용기, 팔레트 등)을 바꾸면 딥러닝 효과에 영향을 미칠 것입니까?

영향을 미칠 것입니다. 배경이 변하면 모델이 인식할 때 오류가 발생하거나 빠진 부분이 생길 수도 있으니 배경을 미리 확인하면 바꾸지 말라야 합니다.

5. 모델과 설치된 높이가 서로 다른 카메라를 통해 수집한 데이터들을 함께 사용하여 모델을 훈련시켜도 됩니까?

하지만 ROI를 주의햐야 합니다. 다른 높이에 설치된 카메라가 캡처한 이미지의 ROI를 각각 선택하여 차이를 줄일 수 있습니다.

6. 쉽게 빛을 반사하는 금속 부품에 대해 데이터를 수집할 때 어떤 문제를 주의해야 합니까?

주의해야 할 것은 이미지가 너무 밝거나 어두우면 안 됩니다. 불가피한 부분 노출 과다의 경우 부품의 윤곽이 뚜렷하게 보일 수 있는 것을 확보해야 합니다.

7. 모델 효과가 좋지 않으면 어떻게 원인을 찾을 수 있습니까?

훈련 용 데이터의 수량 및 질, 다양성, 작업 현장에서 설정한 ROI 파라미터 또는 조명 등 측면에서 원인을 고려할 수 있습니다.

1. 수량:모델을 사용하여 좋은 효과를 얻을 수 있는 만큼 데이터가 충분한지를 고려해야 합니다.

2. 질: 이미지의 질이 요구에 부합한지를 확인해야 합니다. 이미지가 뚜렷하게 보이고 과하게 밝거나 어두우면 안 됩니다.

3. 다양성:캡처된 이미지에는 작업 현장에 나타나는 모든 가능한 상황을 포함하는지를 고려해야 합니다.

4. ROI 파라미터: 작업 현장에서 설정한 수치가 훈련 시 설정한 수치와 일치 여부를 확인해야 합니다.

5. 조명: 작업 현장의 조명이 변한지 확인해야 합니다. 이미지 캡처 시의 조명 조건과 일치해야 합니다.

8. 작업 현장의 조명이 복잡하고 그림자가 물체를 가리기 때문에 모델 인식 효과가 불안정적인 경우에 어떻게 개선할 수 있습니까?

작업 현장의 실제 상황에 따라 빛을 채우거나 가릴 수 있습니다.

9. 실제 작업 시의 데이터와 훈련 용 데이터의 ROI 불일치가 인스턴스 세그멘테이션의 믿음치에 영향을 미치는 원인이 무멋입니까?

훈련 데이터의 ROI와 일치하지 않으면 물체가 모델 최적 인식 범위에 위치하지 않아서 믿음도 역치에 영향을 미칠 것입니다. 따라서 실제 작업 시의 ROI가 훈련 데이터와 일치해야 합니다.

10. 종이 상자의 슈퍼 모델은 어떤 시나리오에 적용될 수 있습니까?

물체의 색깔과 무늬가 단일하거나 다양한 종류의 종이 상자 수평 디팔레타이징&팔레타이징 시나리오에 적용됩니다. 주의해야 할 것은 이 모델이 종이 상자를 같은 층에서 수평적으로 배치되고 기울어진 상자가 없는 상황에만 적용될 수 있습니다.

11. 종이 상자 슈퍼 모델을 통해 데이터를 어떻게 수집합니까?

먼저 종이 상자 슈퍼 모델로 테스트하고 완전히 정확하게 인식&분류할 수 없으면 문제가 있는 데이터를 약 20장 정도 수집해야 합니다. 자세한 방법은 종이 상자 디팔레타이징/팔레타이징 를 참고하세요.

12. GPU가 없는 경우에 이미지 분류 모델을 사용할 수 있습니까?

사용할 수 없습니다.