다중 모델 패키지

현재 최신 버전 (2.2.1)에 대한 매뉴얼을 보고 계십니다. 다른 버전에 액세스하려면 페이지 오른쪽 상단 모서리에 있는 '버전 전환' 버튼을 클릭하세요.

■ 현재 사용하고 있는 제품의 버전이 확실하지 않은 경우에는 언제든지 당사 기술 지원팀에 문의하시기 바랍니다.

기능 소개

다중 모델 패키지를 사용하여 입력 이미지를 추론합니다. 다중 모델 패키지는 이미지 분류, 물체 검출, 결함 세그먼테이션 등의 여러 하위 모델을 통합할 수 있으며, 미리 설정된 직렬, 병렬 또는 직렬-병렬 조합 로직에 따라 협업 실행되어 각 하위 모델 결과와 전체 검증 상태를 최종 출력합니다.

복잡한 품질 검사 시나리오에 적합하며, 프로젝트 수를 효과적으로 줄이고 모델의 중복 구성을 피하며, 모델 사용 및 현장 유지보수 효율을 높일 수 있습니다.

입력 및 출력

딥 러닝 모델 패키지 추론 스텝에서 이 모델 패키지를 가져오면 다음 입력 포트와 출력 포트가 표시됩니다.

입력

입력 포트	데이터 유형	설명
이미지	Image/Color	이 포트로 입력된 이미지는 딥 러닝 모델 패키지 추론에 사용됩니다. 입력 데이터 유형이 2D 이미지일 때 이 포트가 표시됩니다.
표면 데이터	Surface	이 포트로 입력된 표면 데이터는 딥 러닝 모델 패키지 추론에 사용됩니다. 입력 데이터 유형이 표면 데이터일 때 이 포트가 표시됩니다.

입력 포트

데이터 유형

설명

이미지

Image/Color

이 포트로 입력된 이미지는 딥 러닝 모델 패키지 추론에 사용됩니다. 입력 데이터 유형이 2D 이미지일 때 이 포트가 표시됩니다.

표면 데이터

Surface

이 포트로 입력된 표면 데이터는 딥 러닝 모델 패키지 추론에 사용됩니다. 입력 데이터 유형이 표면 데이터일 때 이 포트가 표시됩니다.

출력

출력 포트	데이터 유형	설명
종합 검증 결과	Bool	여러 모델 추론 결과의 종합 검증 결과입니다. 검증이 통과되면 True를 출력하고, 통과하지 못하면 False를 출력합니다.
이미지 분류	DLResult/Classification	모델 패키지 추론 결과입니다.
신속하게 위치 지정	DLResult/FastLocating	모델 패키지 추론 결과입니다.
텍스트 감지	DLResult/TextDetection	모델 패키지 추론 결과입니다.
비지도 세그먼테이션	DLResult/UnsupSegmentation	모델 패키지 추론 결과입니다.
결함 세그먼테이션	DLResult/DefectSegmentation	모델 패키지 추론 결과입니다.
물체 검출	DLResult/ObjectDetection	모델 패키지 추론 결과입니다.
인스턴스 세그먼테이션	DLResult/InstanceSegmentation	모델 패키지 추론 결과입니다.
텍스트 인식	DLResult/TextRecognition	모델 패키지 추론 결과입니다.

출력 포트

데이터 유형

설명

종합 검증 결과

Bool

여러 모델 추론 결과의 종합 검증 결과입니다. 검증이 통과되면 True를 출력하고, 통과하지 못하면 False를 출력합니다.

이미지 분류

DLResult/Classification

모델 패키지 추론 결과입니다.

신속하게 위치 지정

DLResult/FastLocating

모델 패키지 추론 결과입니다.

텍스트 감지

DLResult/TextDetection

모델 패키지 추론 결과입니다.

비지도 세그먼테이션

DLResult/UnsupSegmentation

모델 패키지 추론 결과입니다.

결함 세그먼테이션

DLResult/DefectSegmentation

모델 패키지 추론 결과입니다.

물체 검출

DLResult/ObjectDetection

모델 패키지 추론 결과입니다.

인스턴스 세그먼테이션

DLResult/InstanceSegmentation

모델 패키지 추론 결과입니다.

텍스트 인식

DLResult/TextRecognition

모델 패키지 추론 결과입니다.

파라미터 설명

다중 모델 패키지를 가져오면 이 스텝에서 다음 파라미터를 조정해야 합니다.

모델 패키지 설정

파라미터	설명
모델 패키지 관리 도구	파라미터 설명: 이 파라미터는 딥 러닝 모델 패키지 관리 도구를 열고 딥 러닝 모델 패키지를 가져오는 데 사용됩니다. 모델 패키지 파일은 Mech-DLK에서 내보낸 ".dlkpack" 파일입니다. 조정 설명: 딥 러닝 모델 패키지 관리 도구의 사용 방법은 딥 러닝 모델 패키지 관리 도구를 참조하세요.
모델 패키지 이름	파라미터 설명: 딥 러닝 모델 패키지를 가져온 후, 이 파라미터를 사용하여 해당 스텝에 가져온 모델 패키지를 선택합니다. 조정 설명: 딥 러닝 모델 패키지 관리 도구로 딥 러닝 모델 패키지를 가져온 후, 여기의 드롭다운 목록에서 대응하는 모델 패키지 이름을 선택합니다.
모델 패키지 전환 후 기존 모델 패키지 해제	파라미터 설명: 모델 패키지를 전환할 때 기존 모델 패키지가 점유한 리소스를 즉시 해제할지 여부를 제어합니다. 기본값: 선택. 조정 설명: 선택하면 스텝이 다른 모델 패키지로 전환될 때, 해당 모델 패키지가 여전히 다른 스텝에서 사용 중이더라도 시스템이 즉시 기존 모델 패키지 리소스를 해제합니다. 선택하지 않으면 기존 모델 패키지가 더 이상 어떤 스텝에서도 사용되지 않을 때만 시스템이 자동으로 리소스를 해제합니다.
모델 패키지 유형	파라미터 설명: 모델 패키지 이름을 선택하면 모델 패키지 유형이 자동으로 채워집니다.
입력 데이터 유형	파라미터 설명: 이 파라미터는 입력 데이터의 유형을 지정하는 데 사용되며, 선택 후 대응하는 입력 포트가 표시됩니다. 2D 이미지 또는 표면 데이터 입력을 지원합니다.
GPU ID	파라미터 설명: 이 파라미터는 모델 패키지 추론에 사용할 GPU 장치 ID를 지정하는 데 사용됩니다. 조정 설명: 모델 패키지 이름을 선택한 후, 이 파라미터의 드롭다운 목록에서 모델 패키지 추론에 사용할 GPU 장치 ID를 선택해야 합니다.

파라미터

설명

모델 패키지 관리 도구

파라미터 설명: 이 파라미터는 딥 러닝 모델 패키지 관리 도구를 열고 딥 러닝 모델 패키지를 가져오는 데 사용됩니다. 모델 패키지 파일은 Mech-DLK에서 내보낸 ".dlkpack" 파일입니다.

조정 설명: 딥 러닝 모델 패키지 관리 도구의 사용 방법은 딥 러닝 모델 패키지 관리 도구를 참조하세요.

모델 패키지 이름

파라미터 설명: 딥 러닝 모델 패키지를 가져온 후, 이 파라미터를 사용하여 해당 스텝에 가져온 모델 패키지를 선택합니다.

조정 설명: 딥 러닝 모델 패키지 관리 도구로 딥 러닝 모델 패키지를 가져온 후, 여기의 드롭다운 목록에서 대응하는 모델 패키지 이름을 선택합니다.

모델 패키지 전환 후 기존 모델 패키지 해제

파라미터 설명: 모델 패키지를 전환할 때 기존 모델 패키지가 점유한 리소스를 즉시 해제할지 여부를 제어합니다.

기본값: 선택.

조정 설명: 선택하면 스텝이 다른 모델 패키지로 전환될 때, 해당 모델 패키지가 여전히 다른 스텝에서 사용 중이더라도 시스템이 즉시 기존 모델 패키지 리소스를 해제합니다. 선택하지 않으면 기존 모델 패키지가 더 이상 어떤 스텝에서도 사용되지 않을 때만 시스템이 자동으로 리소스를 해제합니다.

모델 패키지 유형

파라미터 설명: 모델 패키지 이름을 선택하면 모델 패키지 유형이 자동으로 채워집니다.

입력 데이터 유형

파라미터 설명: 이 파라미터는 입력 데이터의 유형을 지정하는 데 사용되며, 선택 후 대응하는 입력 포트가 표시됩니다. 2D 이미지 또는 표면 데이터 입력을 지원합니다.

GPU ID

파라미터 설명: 이 파라미터는 모델 패키지 추론에 사용할 GPU 장치 ID를 지정하는 데 사용됩니다.

조정 설명: 모델 패키지 이름을 선택한 후, 이 파라미터의 드롭다운 목록에서 모델 패키지 추론에 사용할 GPU 장치 ID를 선택해야 합니다.

사전 처리

파라미터

설명

ROI 파일

파라미터 설명: 이 파라미터는 입력 이미지의 ROI를 설정하거나 수정하는 데 사용됩니다.

조정 설명: 초기 상태에서는 기본 ROI 설정이 이미 존재합니다. ROI 설정을 수정하려면 편집기를 열기 버튼을 클릭하세요. 그런 다음 팝업된 목표 영역 설정 창에서 ROI를 설정하고 ROI 이름을 입력합니다.

ROI 설정 절차: 이미지 표시 영역에서 마우스 왼쪽 버튼을 클릭한 채 드래그하여 ROI를 선택한 다음, 다시 마우스 왼쪽 버튼을 클릭하면 선택이 완료됩니다. ROI를 다시 선택해야 할 경우, 마우스 왼쪽 버튼을 다시 클릭하여 선택하면 됩니다. 선택한 ROI의 좌표 범위는 목표 영역 속성에 표시되며, 확인 버튼을 클릭하면 저장 후 종료됩니다.

추론 전에 여기에서 설정한 ROI가 Mech-DLK에서 설정한 ROI와 일치하는지 확인하세요. 일치하지 않으면 인식 효과에 영향을 줄 수 있습니다.

추론 과정에서는 일반적으로 모델 훈련 시 설정한 ROI, 즉 기본 ROI를 사용합니다. 물체가 카메라 시야 내에서 위치를 변경한 경우 ROI를 조정해야 합니다.

ROI를 설정한 후 기본 ROI를 사용하려면 편집기를 열기 버튼 아래의 ROI 이름을 삭제하면 됩니다.

후처리

파라미터	설명
추론 구성	파라미터 설명: 다중 모델 패키지 추론 시 관련 파라미터를 구성하는 데 사용되며, 편집기를 열기를 클릭하면 추론 구성 창을 열 수 있습니다. 조정 설명: 관련 파라미터 설명은 추론 구성 도구를 참조하세요.
클래스 표시 방식	파라미터 설명: 출력 결과에 클래스를 이름 또는 인덱스로 표시할지를 선택합니다.

파라미터

설명

추론 구성

파라미터 설명: 다중 모델 패키지 추론 시 관련 파라미터를 구성하는 데 사용되며, 편집기를 열기를 클릭하면 추론 구성 창을 열 수 있습니다.

조정 설명: 관련 파라미터 설명은 추론 구성 도구를 참조하세요.

클래스 표시 방식

파라미터 설명: 출력 결과에 클래스를 이름 또는 인덱스로 표시할지를 선택합니다.

시각화 설정

파라미터	설명
검출 결과 시각화	파라미터 설명: 활성화하면 이미지에 검출 결과가 표시됩니다. 기본값: 비활성화. 조정 제안: 실제 요구에 따라 이 파라미터를 설정하세요.
시각화 결과 방식	파라미터 설명: 이 파라미터는 시각화 결과의 표시 방식을 지정하는 데 사용됩니다. 기본값: 각 인스턴스 표시 값 목록: 각 인스턴스 표시, 클래스별 인스턴스 표시, 인스턴스 중심점 표시 조정 제안: 실제 요구에 따라 이 파라미터를 설정하세요. 구체적인 효과는 조정 예시를 참조하세요.
사용자 정의 글꼴 크기 사용	파라미터 설명: 이 파라미터는 시각화 출력 결과의 텍스트 글꼴 크기를 사용자 정의할지 여부를 결정하는 데 사용됩니다. 이 파라미터를 선택하면 글꼴 크기(0~10) 를 설정해야 하며, 기본값은 1.5입니다. 기본값: 비활성화. 조정 제안: 실제 요구에 따라 이 파라미터를 설정하세요.

파라미터

설명

검출 결과 시각화

파라미터 설명: 활성화하면 이미지에 검출 결과가 표시됩니다.

기본값: 비활성화.

조정 제안: 실제 요구에 따라 이 파라미터를 설정하세요.

시각화 결과 방식

파라미터 설명: 이 파라미터는 시각화 결과의 표시 방식을 지정하는 데 사용됩니다.

기본값: 각 인스턴스 표시

값 목록: 각 인스턴스 표시, 클래스별 인스턴스 표시, 인스턴스 중심점 표시

조정 제안: 실제 요구에 따라 이 파라미터를 설정하세요. 구체적인 효과는 조정 예시를 참조하세요.

사용자 정의 글꼴 크기 사용

파라미터 설명: 이 파라미터는 시각화 출력 결과의 텍스트 글꼴 크기를 사용자 정의할지 여부를 결정하는 데 사용됩니다. 이 파라미터를 선택하면 글꼴 크기(0~10) 를 설정해야 하며, 기본값은 1.5입니다.

기본값: 비활성화.

조정 제안: 실제 요구에 따라 이 파라미터를 설정하세요.

조정 예시

시각화 결과 방식

시각화 결과 방식	설명	예시 그림
각 인스턴스 표시	각 인스턴스를 시각화하며, 각 인스턴스는 고유한 색상을 가집니다.
클래스별 인스턴스 표시	클래스를 기준으로 인스턴스를 시각화하며, 같은 클래스의 인스턴스는 동일한 색상을 가집니다.
인스턴스 중심점 표시	인스턴스 중심점을 시각화하며, 인스턴스 색상은 신뢰도 임계값과 관련됩니다.

설명

예시 그림

각 인스턴스 표시

각 인스턴스를 시각화하며, 각 인스턴스는 고유한 색상을 가집니다.

instances sample

클래스별 인스턴스 표시

클래스를 기준으로 인스턴스를 시각화하며, 같은 클래스의 인스턴스는 동일한 색상을 가집니다.

classes sample

인스턴스 중심점 표시

인스턴스 중심점을 시각화하며, 인스턴스 색상은 신뢰도 임계값과 관련됩니다.

central point sample

이 페이지가 도움이 되었습니까?

피드백 남기기

지원해 주셔서 감사합니다!

다음 방법을 통해 피드백을 보내주실 수 있습니다:

저희는 귀하의 개인정보를 소중히 다룹니다.

당사 웹사이트는 최상의 사용자 경험을 제공하기 위해 쿠키를 사용하고 있습니다. "모두 수락"을 클릭하시면 쿠키 사용에 동의하시는 것이며, "모두 거부"를 클릭하시면 이 웹사이트 방문 시 귀하의 정보가 추적되거나 기억되지 않도록 단일 쿠키만 사용됩니다.

모두 수락

모두 거부