효과가 나은 모델을 훈련시키는 방법

이 부분에서는 모델 효과에 영향을 미치는 요소 및 효과가 나은 물체 검출 모델을 훈련시키는 방법에 대해 소개하겠습니다.

이미지의 품질을 보장하기

  1. 노출 과다, 과다 어둡과하게 어두운 경우 , 색상 왜곡, 흐릿함, 가려진 경우 등을 피하십시오. 이러한 상황은 딥 러닝 모델이 의존하는 특징의 손실로 이어지고 모델 훈련 효과에 악영향을 미칩니다.

    improve model accuracy overexposed
    improve model accuracy darker lighting
    improve model accuracy obscure
    improve model accuracy occluded

  2. 데이터를 캡처할 때의 배경, 시각, 높이 등 요소가 실제 응용과 일치해야 합니다. 일치하지 않으면 실제 응용 시 딥 러닝의 효과에 악영향을 끼쳐 데이터를 다시 캡처해야 하는 경우도 종종 있습니다. 따라서 이미지를 캡처하기 전에 부디 실제 작업 현장의 조건을 확인해야 합니다.

    improve model accuracy background inconsistent
    improve model accuracy field mismatch
    improve model accuracy height mismatch

데이터의 품질을 보장하기

"물체 검출" 모듈은 이미지 속 물체의 특징을 학습함으로써 모델을 훈련시키고 실제 응용 시나리오에 응용합니다. 따라서 캡처/선택한 데이터는 반드시 실제 응용 시와 일치해야 효과가 좋은 모델을 훈련시킬 수 있습니다.

데이터를 캡처하기

다양한 배치 가능성을 충분히 고려해야 합니다. 예를 들어, 실제 생산에서는 입고되는 자재는 수평으로 배치, 수직으로 배치 및 무질서하게 적재되는 가능성이 있지만 이미지를 캡처할 때 수평 및 수직으로 배치되는 상황의 이미지 데이터만 수집되며 무질서하게 적재되는 상황에 대한 인식 효과를 보장할 수 없습니다. 따라서 데이터를 수집할 때 *실제 생산 시 다양한 응용 시나리오*의 데이터를 수집해야 하며 다음과 같은 사항을 고려해야 합니다:

  • 실제 응용에서 나타날 수 있는 물체의 방향 .

  • 실제 응용에서 나타날 수 있는 물체의 위치 .

  • 실제 응용에서 나타날 수 있는 물체 사이의 관계 .

어떤 상황에 대한 이미지를 캡처하지 않았다면 알고리즘 모듈을 통해 모델을 훈련할 때 해당 상황에 대해 학습하지 못하게 되어 모델은 해당 상황을 식별하기 어려울 수도 있습니다. 따라서 실제 상황에 따라 데이터 샘플을 늘려 오차를 낮춰야 합니다.

물체의 방향

improve model accuracy different towards

물체의 위치

improve model accuracy different situations
improve model accuracy different layers

물체 사이의 관계

improve model accuracy positions
improve model accuracy different positions

캡처된 이미지의 예시

  1. 한 작업물 감지 프로젝트의 경우, 물체 종류는 무질서하게 배치되어 있는 로터이고 모든 로터의 정확한 위치를 감지해야 합니다. 총 30 장 정도 캡처해야 합니다.

    • 물체의 위치 면에서 실제 생산 시 빈 안에 로터 위치의 모든 가능성을 고려해야 하며, 동시에 피킹 시 로터의 수가 좀좀 줄어드는 상황을 고려해야 합니다.

    • 물체 사이의 관계 면에서 로터들이 무질서하게 배치된 경우, 깔끔하게 배치된 경우, 그리고 서로 겹친 경우를 고려해야 합니다.

      improve model accuracy different positions 0

  2. 철근의 수량을 계산하는 프로젝트의 경우, 들어온 물체는 묶음 철근이며 정확한 철근의 수량을 계산해야 합니다. 총 20 장을 캡처해야 합니다.

    • 철근의 특징은 상대적으로 단일하므로 물체 위치 의 다양성만 고려하면 되고 실제 생산 시 카메라 시야에 철근이 있는 모든 위치의 이미지를 캡처해야 합니다.

      improve model accuracy different positions 1

올바른 데이터를 선택하기

  1. 훈련 세트의 수량이 적당해야 함

    처음으로 "물체 검출" 모듈을 사용하는 경우 너무 많은 데이터가 필요하지 않고 20개의 이미지를 준비하는 것이 좋습니다. 초기 단계에서 많은 양의 유사한 데이터를 훈련에 추가하면 불필요한 훈련 시간이 길어지고 나중에 모델을 최적화하는 데 도움이 되지 않습니다.

  2. 대표적인 데이터를 선택해야 함

    이미지에는 대상 물체의 모든 조명, 색상, 크기 조건을 모두 포함해야 합니다.

    • 조명: 실제로 조명 조건이 변하게 되면 데이터에 조명이 없는 경우의 이미지를 포함해야 합니다.

    • 색상: 부품들의 색상이 다르면 데이터에 모든 색생의 이미지를 포함해야 합니다.

    • 크기 : 부품들의 크기가 다르면 데이터에 모든 크기의 이미지를 포함해야 합니다.

    실제 작업 현장에 작업물이 회전, 크기 조정 등으로 인해 해당 이미지 데이터 세트를 수집할 수 없는 경우가 나타날 수 있는데 이때 데이터 증강 훈련 파라미터를 조절함으로써 데이터를 보완하여 현장의 모든 조건이 훈련 세트에 포함되도록 할 수 있습니다.

  3. 데이터의 비율이 균형을 이뤄야 함

    훈련 세트에 물체 종류 또는 배치 방식이 서로 다른 이미지 비율은 균형을 이루어야 합니다. 그렇지 않으면 모델의 효과에 악영향을 끼칩니다. 예를 들어 한 종류의 물체는 20장, 다른 물체는 3장, 또는 가지런히 배열하는 상황에 대해 40 장, 무질서하게 배열하는 상황에 대해 5장만 캡처하는 것은 금지되어 있습니다.

  4. 데이터는 실제 응용 시나리오와 일치해야 함

    이미지를 수집할 때의 조명 조건, 작업물 특징, 배경, 시야 크기 등 요소가 모델의 실제 응용 시나리오와 일치해야 합니다.

레이블링 품질을 보장하기

레이블링 품질은 완전성 및 정확성 두 가지 측면에서 고려해야 합니다.

  1. 완전성 : 모든 물체에 레이블을 지정하고 누락된 물체가 있으면 안됩니다.

    improve model accuracy contour missed

  2. 정확성 : 레이블링 시 사각형 도구는 물체의 가장자리에 최대한 밀착시켜야 하며 물체의 특정 부분을 레이블링을 하지 않거나 물체의 윤곽선 외부에 많은 영역에 레이블링을 하는 것을 금지합니다.

    improve model accuracy contour incomplete over