딥 러닝 모델 패키지 추론

현재 버전 (1.7.4)에 대한 매뉴얼을 보고 계십니다. 다른 버전에 액세스하려면 페이지 오른쪽 상단 모서리에 있는 '버전 전환' 버튼을 클릭하세요.

■ 최신 버전의 소프트웨어를 사용하려면 Mech-Mind 다운로드 센터를 방문하여 다운로드하세요.

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

Mech-Vision 1.7.2부터 "딥 러닝 모델 패키지 CPU 추론" 및 "딥 러닝 모델 패키지 추론(Mech-DLK2.2.0+)" 스텝은 "딥 러닝 모델 패키지 추론" 스텝으로 통합되었습니다. 이 스텝은 .dlkpackC 모델과 .dlkpack 모델을 모두 지원합니다.

Mech-Vision 1.7.2로 구버전 프로젝트를 열면, 위 두 스텝은 자동으로 "딥 러닝 모델 패키지 추론" 스텝으로 대체됩니다.

기능 설명

이 스텝은 Mech-DLK 가 내보낸 단일 또는 캐스케이딩 모델 패키지를 사용해 추론을 수행하고 결과를 출력합니다. Mech-DLK 2.2.0 이상 버전에서 내보낸 모델 패키지만 지원합니다.

Mech-DLK 2.4.1부터 모델 패키지는 단일 모델 패키지와 캐스케이딩 모델 패키지로 구분됩니다.

  • 단일 모델 패키지: 모델 패키지 안에 하나의 딥 러닝 알고리즘 모듈만 포함된 모델입니다. 예: 인스턴스 세그먼테이션 모델.

  • 캐스케이딩 모델 패키지: 모델 패키지 안에 여러 딥 러닝 알고리즘 모듈이 직렬로 포함되어 있으며, 이전 모델의 출력이 다음 모델의 입력이 됩니다. 예를 들어 "물체 검출" 과 "인스턴스 세그먼테이션" 두 모델이 포함된 경우, 추론 순서는 물체 검출  인스턴스 세그먼테이션 이며, "물체 검출" 모델의 출력이 "인스턴스 세그먼테이션" 모델의 입력이 됩니다.

이 스텝이 캐스케이딩 모델 패키지로 추론을 수행할 때는 딥 러닝 결과 파서 스텝을 사용해 결과를 해석할 수 있습니다.

사용 시나리오

이 스텝은 이미지 분류, 물체 검출, 결함 분할 등의 시나리오에 자주 사용됩니다. 이 스텝의 호환성 설명은 딥 러닝 관련 스텝 호환성 설명 문서를 참조하십시오.

입력 및 출력

물체 검출

단일 모델 패키지를 가져왔을 때, "물체 검출" 을 예로 든 입력과 출력은 다음과 같습니다.

deep learning model package inference input and output single

물체 검출+결함 분할+이미지 분류

캐스케이딩 모델 패키지를 가져왔을 때, "물체 검출+결함 분할+이미지 분류" 를 예로 든 입력과 출력은 다음과 같습니다.

deep learning model package inference input and output multi

시스템 요구 사항

이 스텝을 사용할 때는 다음 시스템 요구 사항을 충족해야 합니다.

  • CPU: AVX2 명령어 세트를 지원해야 하며, 다음 조건 중 하나를 만족해야 합니다.

    • 독립 그래픽 카드가 없는 경우: Intel i5-12400 이상

    • 독립 그래픽 카드가 있는 경우: Intel i7-6700 이상이며, 그래픽 카드는 GTX 1660 이상

    Intel CPU에서 충분히 테스트되었으며, AMD CPU에서는 아직 충분히 검증되지 않았으므로 Intel CPU 사용을 권장합니다.

  • GPU: 독립 그래픽 카드를 사용하는 경우 NVIDIA GTX 1660 이상의 그래픽 카드를 사용해야 합니다.

파라미터 설명

이 스텝으로 캐스케이딩 모델 패키지를 추론할 때는, 뒤에 연결된 "딥 러닝 결과 파서" 스텝에서 파라미터를 조정할 수 있습니다.

공통 파라미터

모델 패키지 설정

모델 패키지 관리 도구

파라미터 설명: 딥 러닝 모델 패키지 관리 도구를 열어 모델 패키지를 가져옵니다. 모델 패키지 파일은 Mech-DLK 가 내보낸 ".dlkpack" 또는 ".dlkpackC" 파일입니다.

조정 방법: 딥 러닝 모델 패키지 관리 도구의 사용 방법은 딥 러닝 모델 패키지 관리 도구를 참조하십시오.

모델 패키지 이름

파라미터 설명: 딥 러닝 모델 패키지를 가져온 후, 이 파라미터를 통해 현재 스텝에서 사용할 모델 패키지를 선택합니다.

조정 방법: 관리 도구로 모델 패키지를 가져온 뒤 드롭다운 목록에서 해당 이름을 선택하십시오.

모델 패키지 유형

파라미터 설명: 모델 패키지 이름 을 선택하면 모델 패키지 유형 이 자동으로 채워집니다.

장치 ID

파라미터 설명: 모델 패키지 추론에 사용할 GPU 장치 ID를 지정합니다.

조정 방법: 모델 패키지 이름을 선택한 후, 해당 파라미터 드롭다운에서 사용할 GPU 장치를 선택하십시오.

ROI 설정

ROI 파일

파라미터 설명: ROI를 설정하거나 수정합니다.

조정 방법:

  1. 초기 상태에서는 기본 ROI 설정이 이미 존재합니다. ROI를 수정하려면 ROI 파일을 클릭하십시오.

  2. 팝업되는 설정 대상 영역 창에서 ROI 설정을 수행하십시오.

    deep learning model package inference set roi

  3. ROI 설정이 완료되면 아래 그림과 같이 ROI 파일 이름을 설정해야 합니다. 이름을 설정하지 않으면 팝업으로 안내됩니다.

    deep learning model package inference roi file name

  4. ROI를 설정한 후 기본 ROI를 사용하려면 ROI 파일 버튼 아래의 ROI 파일 이름을 삭제하면 됩니다.

추론 전에 여기서 설정한 ROI와 Mech-DLK 에서 설정한 ROI가 일치하는지 확인하십시오. 일치하지 않으면 인식 성능에 영향 을 줄 수 있습니다.

추론 과정에서는 일반적으로 모델 학습 시 사용한 ROI, 즉 기본 ROI를 사용하는 것이 좋습니다. 물체가 카메라 시야 내에서 차지하는 위치가 달라지면 ROI를 조정해야 합니다.

시각화 설정

이 스텝을 결함 분할에 사용할 때는 이 파라미터를 사용할 수 없습니다.
사용자 정의 크기 사용

파라미터 설명: 시각화 출력 결과의 텍스트 글자 크기를 사용자 정의할지 결정합니다. 이 옵션을 선택하면 글자 크기(0~10) 를 설정해야 합니다.

기본값: 선택 안 함

조정 방법: 실제 요구에 따라 설정하십시오.

글자 크기（0~10）

파라미터 설명: 시각화 출력 결과에서 텍스트 글자 크기를 설정합니다.

기본값: 3.0

조정 방법: 실제 요구에 따라 설정하십시오.

조정 예시: 인스턴스 세그먼테이션을 예로 들면, 값이 3.0 과 5.0 일 때 시각화 결과의 글자 크기는 아래 그림과 같습니다. 왼쪽은 3, 오른쪽은 5 입니다.

deep learning model package inference font size comparison
모든 결과 표시

파라미터 설명: 캐스케이딩 모델 패키지의 모든 추론 결과를 시각화하여 표시합니다. 이 파라미터는 "딥 러닝 모델 패키지 추론" 스텝으로 캐스케이딩 모델 패키지를 추론할 때만 설정할 수 있습니다.

조정 방법: 실제 요구에 따라 설정하십시오.

이 스텝을 결함 분할에 사용할 때는 이 파라미터가 없습니다.

딥 러닝 모델 패키지별 파라미터

이미지 분류

분류 신뢰도 임계값（0.0~1.0）

파라미터 설명: 이미지 분류 과정의 신뢰도 임계값을 설정합니다. 이 임계값보다 높은 결과만 유지됩니다.

기본값: 0.7000

조정 방법: 실제 요구에 따라 설정하십시오.

클래스 활성화 맵 표시

파라미터 설명: 이미지 분류 시, 이미지의 어느 픽셀이 분류 결과에 더 크게 기여하는지 확인하는 데 사용합니다. 블루는 기여도가 낮고, 레드는 기여도가 높음을 나타냅니다.

조정 방법: "모든 파라미터 표시"를 활성화해야 합니다.

Mech-Vision 1.7.2에서 클래스 활성화 맵 표시 기능을 켜면 모델 패키지 추론 속도가 느려질 수 있습니다.

인스턴스 세그먼테이션

시각화 설정

이미지에 검출 물체 그리기

파라미터 설명: 인스턴스 세그먼테이션의 마스크와 바운딩 박스를 입력 이미지 위에 표시할지 결정합니다.

기본값: 선택 안 함

조정 방법: 실제 요구에 따라 설정하십시오.

물체 시각화 방식

파라미터 설명: 시각화 출력 결과에서 물체를 어떤 방식으로 표시할지 지정합니다.

기본값: Instances

값 목록: Threshold, Instances, Classes, CentralPoint

물체 시각화 방식 설명 그림 예시

Threshold

색상은 신뢰도에 따라 결정됩니다. 계산된 신뢰도가 임계값보다 높으면 녹색으로, 그렇지 않으면 빨간색으로 표시됩니다.

deep learning model package inference threshold sample

Instances

각 인스턴스가 서로 다른 고유한 색으로 표시됩니다.

deep learning model package inference instances sample

Classes

같은 라벨을 가진 인스턴스는 같은 색으로 표시됩니다.

deep learning model package inference classes sample

CentralPoint

물체 자체의 색상으로 표시됩니다.

deep learning model package inference central point sample

인스턴스 세그먼테이션 신뢰도 임계값（0.0~1.0）

파라미터 설명: 인스턴스 세그먼테이션 과정의 신뢰도 임계값을 설정합니다. 임계값보다 높은 결과는 녹색, 낮은 결과는 빨간색으로 표시됩니다.

기본값: 0.7000

조정 방법: 실제 요구에 따라 설정하십시오.

물체 검출

시각화 설정

이미지에 검출 결과 그리기

파라미터 설명: 이미지 위에 마스크와 바운딩 박스를 표시할지 결정합니다.

기본값: 선택 안 함

조정 방법: 실제 요구에 따라 설정하십시오.

시각화 결과 방식

기본값: CentralPoint

값 목록: BoundingBox, CentralPoint

  • BoundingBox: 물체의 바운딩 박스 형식으로 결과를 표시합니다. 아래 그림의 1을 참조하십시오.

  • CentralPoint: 물체 중심점 형식으로 결과를 표시합니다. 아래 그림의 2를 참조하십시오.

    deep learning model package inference box and central

조정 방법: 실제 요구에 따라 설정하십시오.

물체 검출 신뢰도 임계값（0.0~1.0）

기본값: 0.7000

조정 방법: 이 임계값보다 높은 결과만 유지됩니다.

결함 분할

시각화 설정

이미지에 결함 마스크 그리기

파라미터 설명: 입력 이미지 위에 결함 마스크를 그릴지 결정합니다. 선택하면 입력 이미지 위에 결함 마스크가 그려집니다.

기본값: 선택 안 함

조정 예시: 아래 그림에서 왼쪽은 선택 전, 오른쪽은 선택 후입니다.

deep learning model package inference draw mask

  • Mech-Vision 1.7.2부터 "딥 러닝 모델 패키지 추론" 스텝에서는 더 이상 결함 판정 규칙, 결함 수 임계값, 결함 면적 범위 파라미터를 표시하지 않습니다. 이러한 파라미터를 조정해야 하는 경우 Mech-DLK 에서 구성하십시오.

  • Mech-Vision 1.7.2에서 Mech-DLK 2.2.0 또는 그 이전 버전에서 내보낸, 결함 판정 규칙이 구성된 모델 패키지를 이 스텝으로 추론하면 결함 판정 규칙이 적용되지 않습니다. Mech-DLK 2.4.1 이상 버전에서 해당 모델 패키지의 결함 판정 규칙을 다시 설정하고 다시 내보낸 후 사용하십시오.

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.

  • Preference
  • 모두 수락
  • 모두 거부