딥 러닝 모델 패키지 추론

현재 보고 계신 매뉴얼은 구버전입니다. 페이지 오른쪽 상단을 클릭하면 최신 버전의 매뉴얼로 전환할 수 있습니다.

Mech-Vision 1.7.2 버전부터 "딥 러닝 모델 패키지 CPU 추론"과 "딥 러닝 모델 패키지 추론(Mech-DLK 2.2.0+)" 스텝이 "딥 러닝 모델 패키지 추론" 스텝으로 통합되고, "딥 러닝 모델 패키지 추론" 스텝은 Mech-DLK에서 도출한 두 가지 딥 러닝 모델 파일(접미사는 .dlkpackC 및 .dlkpack)을 모두 지원합니다.

Mech-Vision 1.7.2 버전을 통해 구버전 프로젝트를 연 후 “딥 러닝 모델 패키지 CPU 추론” 및 “딥 러닝 모델 패키지 추론(Mech-DLK 2.2.0+)” 스텝은 자동으로 “딥 러닝 모델 패키지 추론” 스텝으로 대체됩니다.

기능 설명

이 스텝은 Mech-DLK에서 도출한 단일 또는 캐스케이딩 모델 패키지에 대해 추론을 수행하고 추론 결과를 출력할 수 있습니다.

현재 이 스텝에서는 이미지 분류, 물체 검출, 결함 세그먼테이션, 인스턴스 세그먼테이션, 텍스트 감지, 텍스트 인식 및 비지도 분할 등 7가지 시나리오에 대한 모델 패키지 추론을 수행할 수 있습니다.

이 스텝은 Mech-DLK 2.2.0 및 이상 버전에서 도출한 모델 패키지만 지원합니다.

Mech-DLK 2.4.1 버전 이후 모델 패키지는 단일 및 캐스케이딩 모델 패키지 두 가지로 나눠집니다.

  • 단일 모델 패키지: 모델 패키지에 단 하나의 딥 러닝 알고리즘 모듈이 있는 모델. 예를 들면 "인스턴스 세그먼테이션" 모델과 같습니다.

  • 캐스케이딩 모델 패키지: 모델 패키지에는 딥 러닝 알고리즘 모듈의 여러 모델이 직렬로 존재하며 이전 모델의 출력은 다음 모델의 입력입니다. 예를 들면 모델 패키지에 “물체 검출”과 “인스턴스 세그먼테이션” 두 모델이 있으면 추론 순서는 물체 검출  인스턴스 세그먼테이션이며 “물체 검출” 모델의 출력은 “인스턴스 세그먼테이션” 모델의 입력이 됩니다.

이 스텝이 캐스케이딩 모델 패키지를 사용하여 추론을 수행할 때 딥 러닝 결과 파서 스텝을 통해 캐스케이딩 모델 패키지의 추론 결과에 대해 분석할 수 있습니다.

응용 시나리오

이 스텝은 이미지 분류, 물체 검출 및 결함 세그먼테이션 등 시나리오에 자주 사용됩니다. 이 스텝에 대한 호환성 설명은 딥 러닝과 관련된 스텝 호환성에 대한 설명을 참조하십시오.

입력 및 출력

단일 모델 패키지

단일 모델 패키지를 도입할 때 "물체 검출"을 예로 들면 이 스텝의 입력 및 출력은 아래 그림과 같습니다.

deep learning model package inference input and output single

캐스케이딩 모델 패키지

캐스케이딩 모델 패키지를 도입할 때, "물체 검출 + 결함 세그먼테이션 + 이미지 분류"를 예로 들면, 이 스텝의 입력과 출력은 아래 그림과 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 세트가 지원되어야 하며 다음 조건 중 하나를 충족해야 합니다.

    • 개별 그래픽 카드가 없는 경우: Intel i5-12400 및 이상.

    • 개별 그래픽 카드가 있는 경우: Intel i7-6700 및 이상, 또한 그래픽 카드는 GeForce GTX 1660보다 낮으면 안됩니다.

    Intel CPU에서 충분히 테스트하였지만 아직 AMD CPU에서는 테스트되지 않았습니다. 그러므로 Intel CPU를 권장합니다.

  • GPU: GeForce GTX 1660 및 이상의 그래픽 카드(별도의 그래픽 카드가 있는 경우)를 사용해야 합니다.

파라미터 설명

아래 링크를 클릭하면 각 기능에 해당하는 파라미터 설명을 볼 수 있습니다.

이 스텝을 사용하여 캐스케이딩 모델 패키지를 추론하는 경우 후속 "딥 러닝 결과 파서" 스텝에서 파라미터를 조정할 수 있습니다.

저희는 귀하의 개인 정보를 소중하게 생각합니다.

당사 웹사이트는 귀하에게 최상의 경험을 제공하기 위해 쿠키를 사용합니다. "모두 수락"을 클릭하시는 경우, 귀하는 사의 쿠키 사용에 동의하게 됩니다. "모두 거부"를 클릭하시는 경우, 귀하가 이 웹사이트를 방문할 때 추적되거나 기억되지 않도록 하기 위해 단일 쿠키가 사용됩니다.

  • Preference
  • 모두 수락
  • 모두 거부