모델 훈련하기

현재 최신 버전 (2.6.1)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.

레이블링이 완료되면 모델 훈련을 시작할 수 있습니다. 이 부분에서는 훈련 탭에서 훈련 파라미터를 설정하고, 모델을 훈련하며, 훈련 정보를 확인하는 방법을 설명합니다.

훈련 파라미터 설정

훈련 시작하기 전에 딥 러닝 모델의 훈련 파라미터를 구성해야 합니다. training parameter icon 클릭하여 "훈련 파라미터 설정" 창을 열고 데이터 증강, 훈련 파라미터, 모델 파인튜닝을 설정합니다.

고성능을 얻기 위해 딥 러닝 모델 파라미터를 미세 조정하는 것은 매우 복잡한 작업입니다. 처음에는 대부분의 상황에 적합한 Mech-DLK에서 제공한 기본 설정값을 사용하는 것을 추천드립니다.
training parameters configuration

데이터 증강

훈련 모델의 데이터는 실제 발생 가능한 다양한 상황을 최대한 반영해야 합니다. 현장에서 모든 조건의 데이터를 수집하기 어려운 경우, 데이터 증강 파라미터를 조정하여 부족한 데이터를 보완할 수 있습니다.

증강된 이미지 데이터는 실제 현장 상황에 맞게 조정되어야 합니다. 예를 들어, 이미지가 회전되지 않는 환경이라면 "회전" 파라미터는 조정하지 않는 것이 좋습니다. 불필요한 설정은 오히려 모델 성능에 부정적인 영향을 줄 수 있습니다.

각 파라미터의 조정 효과를 확인하려면 마우스를 train ask icon에 올려 놓으세요
  • 휘도

    이미지 밝기의 정도입니다. 현장 조명이 자주 바뀌는 경우, 휘도 범위를 조정하면 다양한 밝기 조건을 반영한 데이터를 증강할 수 있습니다.

  • 명암비

    가장 밝은 부분과 가장 어두운 부분 간의 밝기 비율을 의미합니다. 물체가 배경과 잘 구분되지 않는 경우, 명암비 조절로 물체를 더 선명하게 표현할 수 있습니다.

  • 평행 이동

    이미지의 모든 픽셀 좌표에 지정된 가로 및 세로 오프셋이 적용됩니다. 현장의 물체(예: 빈, 파렛트 등)가 크게 이동하는 경우, 평행 이동 범위를 조정하여 물체 위치 측면에서 다양한 상황을 반영한 데이터로 증강할 수 있습니다.

  • 회전

    특정 지점을 중심으로 이미지를 특정 각도로 회전시켜 새로운 이미지를 형성합니다. 일반적으로는 기본값으로 설정된 파라미터를 그대로 사용하셔도 충분합니다. 물체 방향이 다양할 경우, 회전 파라미터를 조정해 다양한 각도의 데이터를 추가할 수 있습니다.

  • 크기 조정

    특정 비율로 이미지를 축소하거나 확대합니다. 카메라에서 물체까지의 거리가 크게 다를 경우, 크기 조정 파라미터를 조정하여 이미지에서 물체 비율의 변화를 더 크게 하여 데이터를 증강할 수 있습니다.

  • 수평 뒤집기

    이미지를 좌우로 180° 뒤집습니다. 대상 물체가 좌우 대칭인 경우, 수평 뒤집기 옵션을 선택할 수 있습니다.

    developer mode flip vertically
  • 수직 뒤집기

    이미지를 위아래로 180° 뒤집습니다. 대상 물체가 수직 대칭인 경우, 수직 뒤집기 옵션을 선택할 수 있습니다.

    developer mode flip horizontally

훈련 파라미터

  • 모델 유형

    결함 세그먼테이션텍스트 감지

    고속

    빠른 훈련 속도가 필요한 시나리오에 적합합니다.

    고정확도

    높은 정확도가 요구되는 시나리오에 적합합니다. 이 모드에서는 훈련 속도가 느려질 수 있습니다.

  • 입력된 이미지의 크기

    신경망 훈련을 위한 입력 이미지의 높이와 너비(단위: 픽셀)입니다. 기본 설정을 사용하는 것이 좋지만, 이미지의 물체나 결함 영역이 작을 경우 *입력된 이미지의 크기*를 늘리는 것이 좋습니다. 이미지 크기가 클수록 모델 정확도는 높아지지만, 훈련 속도는 느려집니다.

  • 배치 크기(Batch Size)

    한 번의 신경망 훈련에 사용되는 샘플 수입니다. 기본 설정을 사용하는 것이 좋습니다. 훈련 속도를 높여야 할 경우, *배치 크기*를 적절히 늘릴 수 있습니다. 다만, 배치 크기를 너무 크게 설정하면 메모리 사용량이 증가할 수 있습니다.

  • 평가 간격

    모델 학습 중 각 평가 간격에 대한 epoch 수입니다. 기본 설정을 사용하는 것이 좋습니다. 평가 간격 값을 높이면 훈련 속도가 빨라지지만, 값이 작을수록 최적의 모델을 선택하는 데 더 유리합니다.

  • Epochs

    전체 학습 데이터를 신경망이 한 번 모두 학습하는 과정을 '1 Epoch’라고 하며, 이 과정을 반복하는 총 횟수를 의미합니다. 기본 설정을 권장하지만, 이미지의 특징이 복잡할 경우 모델 성능 향상을 위해 훈련 횟수를 늘릴 수 있습니다. 단, 훈련 시간이 길어질 수 있습니다.

    Epoch 수를 과도하게 설정하면, 정확도가 안정된 이후에도 불필요한 훈련이 계속되어 과적합(overfitting)이 발생할 수 있습니다.
  • 학습률

    학습률은 신경망 훈련 중 최적화의 각 반복 최적화의 step 크기를 결정합니다. 기본 설정을 사용하는 것이 일반적이며, 손실 곡선의 수렴 속도가 느릴 경우 학습률을 조금 높여볼 수 있습니다. 반대로 정확도 변동이 심할 경우에는 학습률을 낮추는 것이 좋습니다.

  • GPU ID

    모델 훈련 장치의 그래픽 카드 정보입니다. 여러 개의 GPU가 있는 경우, 지정된 GPU에서 훈련을 수행할 수 있습니다.

  • 훈련 객체의 최대 수

    이 옵션은 훈련 중에 인식 가능한 최대 물체 수를 제한합니다. 기본적으로는 선택되어 있지 않으며, 일반적으로 이 파라미터를 설정하면 추론 속도가 향상될 수 있습니다. 특정 상황에서는 이 파라미터를 설정하면 GPU 사용량을 줄이는 데 도움이 될 수 있습니다.

모델 파인튜닝("개발자 모드"에서 표시)

모델을 일정 기간 동안 사용하다 보면 특정 시나리오를 제대로 처리하지 못할 수 있습니다. 이 경우, 모델을 반복(iteration) 학습시켜 문제를 개선할 수 있습니다.

상세한 설명은 모델 반복하기 내용을 참조하세요.

훈련 시작

파라미터 설정을 확인한 후, 훈련 탭 하단의 훈련을 클릭하여 모델 훈련을 시작할 수 있습니다.

훈련 센터

훈련 센터에서 훈련 진행 상황과 메모리 사용량을 볼 수 있습니다.

이미 진행 중인 훈련 임무가 있을 경우, 다른 훈련 임무는 대기 큐(queue)에 들어가게 됩니다.

training center
  • train center stop 버튼을 클릭하면 훈련 중인 프로젝트를 종료할 수 있습니다.

  • train center delete 버튼을 클릭하면 대기 리스트에서 해당 프로젝트를 삭제할 수 있습니다.

  • train center change 버튼을 클릭하면 현재 임무가 훈련 대기 리스트의 맨 위로 이동합니다.

훈련 정보 확인

  • "훈련" 탭에는 실시간 훈련 정보와 훈련 작업 중에 달성된 최적의 결과가 표시됩니다.

  • 훈련 탭에서 훈련 차트 버튼을 클릭하면 훈련 차트를 확인할 수 있습니다. 차트는 훈련 epoch가 진행됨에 따라 학습 정확도와 손실 파라미터의 변화를 동적으로 표시합니다. × 버튼을 다시 클릭하면 이미지 화면으로 돌아갑니다.

view training info

이 페이지가 도움이 되었습니까?

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.