고급 : 큰 이미지에서 작은 결함 감지

새 프로젝트 생성 및 '결함 세그먼테이션' 모듈 추가 : 홈 화면에서 새로운 프로젝트 버튼을 클릭한 후, 프로젝트 경로를 선택하고 이름을 입력하여 새 프로젝트를 생성합니다. 그런 다음 화면 오른쪽 상단에 있는 + 아이콘을 클릭하여 결함 세그먼테이션 모듈을 선택합니다.

이미지 데이터 가져오기 : 다운로드한 데이터 파일의 압축을 풉니다. 왼쪽 상단의 가져오기/내보내기 버튼을 클릭하고 폴더 가져오기를 선택하여 폴더를 선택합니다.

이미지의 결함 특징 및 위치 분석 : 가져온 모든 이미지의 결함 특징과 위치를 분석합니다. 노트북 케이스의 밝은 부분은 결함으로 간주되어 이 프로젝트에서 검출 대상으로 사용됩니다. 결함은 작고 위치가 고정되어 있지 않으며, 주변 영역과의 차이도 뚜렷합니다. 따라서 본 프로젝트에서는 ROI 도구와 마스크 도구를 사용할 수 없습니다.

클래스 생성하기 : 이 프로젝트는 단일 유형의 결함만을 대상으로 하므로, 하나의 클래스만 생성하면 됩니다.

이미지 레이블링 : 대상 결함이 매우 작기 때문에 브러쉬 도구를 사용하는 것이 적합하며, 브러쉬 크기는 최소값 2로 설정하는 것을 권장합니다. 레이블은 결함의 형태를 가능한 정밀하게 따라 그려야 합니다. 이 프로젝트에는 이미지가 많으므로, 우선 10장의 이미지에 레이블을 지정한 후 훈련을 시작합니다.

훈련 세트와 검증 세트 비율 조정 : 10장의 이미지에 레이블을 지정한 후, 이를 '훈련 세트’에 포함시킵니다. 모델이 결함 이미지와 정상 이미지를 구분할 수 있도록, 결함이 없는 이미지 중 하나를 OK 이미지로 훈련 세트에 포함하는 것도 가능합니다. 그다음, 데이터를 훈련 세트와 검증 세트로 나눕니다. 일반적으로 전체 데이터의 80%는 훈령용으로, 20%는 검증용으로 사용하는 것이 좋습니다. 소프트웨어는 레이블이 지정되어 훈련 세트로 이동된 이미지를 자동으로 학습용/검증용으로 분할합니다.

이미지 확대 : 이 프로젝트의 원본 이미지는 크고, 결함은 매우 작기 때문에 입력된 이미지의 크기 파라미터를 조정하여 이미지를 확대하는 것이 좋습니다.
훈련 탭에서 미리보기 버튼을 클릭하면 미리보기 창이 열리며, 레이블링한 결함이 명확하게 보이도록 합당한 이미지 크기를 선택할 수 있습니다.

그리드 커팅 도구 사용 : 그리드 커팅 도구를 사용하면 이미지를 작게 분할해 레이블링된 결함의 비율을 높이고, 모델이 결함을 더 쉽게 인식할 수 있습니다.
레이블링 툴 바에서 그리드 커팅 도구 버튼을 클릭하여 도구를 실행합니다. 레이블링 영역 상단에서 행과 열 개수를 설정한 후 [응용] 버튼을 클릭하면, 이미지가 동일한 크기의 작은 이미지들로 분할됩니다. 예를 들어, 행과 열을 각각 3으로 설정하면 아래 그림과 같은 효과가 나타납니다.

입력 이미지 크기 미리보기 및 조정 : 응용 버튼을 클릭하면, 이미지 크기는 신경망에 입력될 잘린 이미지의 크기를 의미합니다. 훈련에 입력된 잘린 이미지의 효과를 확인하려면 미리보기 창을 다시 연 후, 창 상단에서 행과 열 수를 선택하면, 크기가 조정된 이미지 효과를 확인할 수 있습니다.
이 샘플 프로젝트에서는 하나의 이미지를 동일한 크기의 9개 작은 이미지로 분할합니다. 분할된 각 이미지에서 레이블링 영역과 결함 영역이 명확히 확인되면, 현재 입력 이미지 크기가 요구 사항을 충족하는 것으로 판단할 수 있습니다.

'가장장리 확장' 사용 (선택 사항) : 그리드 커팅 도구 사용 후, 레이블링 영역은 여러 그리드로 분할됩니다. 가장자리 확장 기능의 슬라이더를 드래그하여 각 그리드의 가장자리를 확장해 전체 레이블링 영역에 맞게 조정할 수 있습니다. 가장자리 확장 설정은 전체 이미지에 일괄 적용됩니다.

'그리드 선택 도구' 사용 : 이미지를 여러 개의 작은 이미지로 분할하면 모델 훈련에 사용되는 이미지 수가 증가하여, 훈련 속도가 느려집니다. 훈련 시간을 단축하려면, 레이블링 툴바에서 버튼을 마우스 오른쪽 버튼으로 클릭한 뒤, 그리드 선택 도구를 선택합니다. 이후 이미지 레이블링 영역에서 훈련에 사용할 이미지를 선택합니다. 선택한 분할 이미지는 아래 그림과 같이 표시됩니다.

데이터 증강 파라미터 구성 : 이상적인 훈련 데이터는 실제 생산 과정에서 발생할 수 있는 다양한 조건을 반영해야 합니다.
예를 들어, 본 프로젝트의 이미지 데이터는 현장의 다양한 조명 조건을 반영해야 합니다. 그러나 데이터 수집 시 모든 조명 시나리오를 포괄하기는 어렵기 때문에, 모델의 일반화 성능을 높이기 위해 밝기 범위를 확장하는 것이 필요합니다. 이 프로젝트에서는 일부 결함의 색상이 노트북 케이스의 색상과 유사하여, 모델이 결함을 효과적으로 인식하도록 휘도 및 명암비 파라미터를 조정하여야 합니다.
일부 결함은 분할된 소형 이미지의 가장자리 근처에 위치하거나 주변 영역과 색상이 유사하기 때문에, 회전 및 크기 조정 파라미터의 사용은 권장되지 않습니다. 훈련 탭에서 훈련 파라미터 설정 우측에 위치한 버튼을 클릭하여 데이터 증강 탭을 열고, 데이터 증강 파라미터를 구성합니다.

훈련 파라미터 구성 : 일반적으로 평가 간격, 학습률, GPU ID 등의 파라미터는 기본 설정을 사용하는 것이 좋습니다.

훈련 시작 : 파라미터 조정이 완료되면, 훈련 탭에서 훈련 버튼을 클릭하여 모델 훈련을 시작합니다.

훈련 정보를 통해 훈련 상태 확인 : 훈련 탭 아래의 훈련 정보 패널에서 실시간으로 모델 훈련 정보를 확인할 수 있습니다.

훈련 차트를 통해 훈련 상태 확인 : 훈련 탭에서 훈련 차트 및 훈련 센터 버튼을 클릭하면, 모델 훈련 과정 중 정확도 곡선과 손실 곡선의 변화 및 훈련 상태를 실시간으로 확인할 수 있습니다. 훈련이 완료되면, 최고 정확도 와 테스트 세트 검증 결과를 통해 모델 훈련 효과를 평가합니다. 정확도 곡선이 전반적으로 상승하고, 손실 곡선이 전반적으로 하락하는 추세를 보이면 현재 훈련이 정상적으로 진행되고 있음을 의미합니다.

훈련 중단하기 (선택 사항)

모델 검증 : 훈련이 완료되었거나 수동으로 중단된 후, 검증 탭에서 검증 버튼을 클릭하여 모델을 검증할 수 있습니다.

모델 성능 저하 시 문제 해결 후 훈련 재시작 : 예를 들어, 훈련·검증 후 미검/과검률이 높아 모델 성능이 최적 수준에 도달하지 못한 경우, 아래 조치를 취할 수 있습니다.
과검이 많은 경우에는 면적 필터 등의 필터링 규칙을 조정하고, 미검이 많은 경우에는 레이블 데이터를 추가합니다. 이러한 조정을 마친 후 모델을 다시 훈련하고 검증합니다.

모델 내보내기 : 내보내기 버튼을 클릭합니다. 팝업 창에서 내보낸 모델을 저장할 디렉토리를 선택하고 내보내기를 클릭합니다.