AI 분류(정/반, 유/무) 도구
기능 소개
"AI 분류(정/반, 유/무) 도구"는 효율적인 시각화 이진 분류 도구로, OK와 NG 두 종류의 이미지에 대한 사용자 정의 학습을 지원합니다. 사용자는 마법사 방식의 구성 절차를 완료함으로써 이미지 획득부터 모델 추론까지의 전체 흐름을 빠르게 구현할 수 있습니다. 이 도구는 일반적으로 단일 품목 대상 물체의 정반 오류 방지, 유무 검출 등의 시나리오에 적용됩니다.
-
이미지 획득: 학습에 사용할 이미지 데이터를 취득합니다. 실제 생산 환경의 대표 상황을 충분히 포함해 이미지 품질과 다양성을 확보함으로써 모델 판정 정확도를 높이는 것을 권장합니다.
-
목표 영역 설정: 취득한 이미지에서 목표 영역(ROI)을 설정하고, 목표 영역을 정확히 박스 지정하여 후속 라벨링과 학습을 준비합니다.
-
이미지 라벨링: 목표 영역을 라벨링하여 OK와 NG 클래스를 각각 지정합니다. 각 클래스마다 다양한 이미지를 라벨링하여 학습 내용의 특징이 충분히 포괄되도록 하는 것이 좋습니다.
-
모델 학습 및 검증: 라벨링된 이미지를 사용해 모델을 학습합니다. 학습이 완료된 뒤 모델 효과를 검증하고 판정 결과가 기대에 부합하는지 확인합니다. 분류 결과가 정확하지 않으면 이미지를 추가하고 다시 학습하여, 실제 요구를 만족할 때까지 반복할 수 있습니다.
사용 절차
도구에 들어간 후 왼쪽 모델 목록에서 오른쪽 상단의 새로 만들기를 클릭하여 새 모델을 만들고 새로운 모델 구성 절차로 들어갑니다.
이미지 획득
모델 학습에 사용할 이미지 데이터를 취득합니다.
-
현재 스텝의 입력 포트에 이미지 데이터가 연결되어 있는지 확인합니다.
-
도구에 진입하면 카메라가 자동으로 한 장의 이미지 데이터를 취득하여 모델 학습에 사용합니다. 이미지 획득 버튼을 클릭해 새로운 이미지 데이터를 취득하여 모델을 학습시킬 수도 있습니다.
|
이미지를 취득할 때는 다음과 같은 생산 현장의 대표 변화를 포함하는 것이 좋습니다.
다양한 이미지는 모델이 실제 환경에 적응하는 데 도움이 되며 판정 정확도를 높여 줍니다. |
목표 영역 설정
이미지를 취득한 후에는 후속 라벨링과 학습을 위해 목표 영역(ROI)을 설정해야 합니다.
|
"2D 정렬 파라미터 그룹" 포트에 입력이 존재하면, ROI는 목표 포즈와 함께 동기 변환됩니다. 여기서 설정하는 ROI는 기준 위치이며, 실제 인식 시에는 정렬 파라미터에 따라 동적으로 오프셋됩니다. |
-
편집 버튼을 클릭하여 목표 영역 설정 화면으로 들어갑니다.
-
목표 영역을 설정합니다.
"직사각형" 또는 "원형" 박스 지정 도구를 선택하여 시각화 영역에서 드래그해 ROI를 그립니다. 목표 물체의 실제 위치와 형태에 맞춰 정확히 목표 영역을 박스 지정하고, 관련 없는 배경이 포함되지 않도록 하십시오.
-
목표 영역을 박스 지정할 때 핵심 특징만 포함하는 영역만 선택해도 됩니다.
-
여러 ROI를 수동으로 박스 지정해야 한다면, 먼저 하나의 ROI를 그린 뒤 복사/붙여넣기로 다른 ROI를 생성하는 것을 권장합니다. 이렇게 하면 각 목표 영역의 크기를 일관되게 유지하여 모델 학습 안정성과 판정 정확도를 높일 수 있습니다.
-
"2D 정렬 파라미터 그룹" 포트에 입력이 존재할 경우에는 여러 ROI를 수동으로 만들 필요가 없습니다. 사용자는 하나의 ROI만 그리면 되고, 시스템이 정렬 파라미터에 따라 나머지 ROI를 자동 생성하여 인식합니다.
자동 생성된 ROI 위치에 편차가 있는 경우에는 일반적으로 첫 번째 ROI만 올바른 목표 물체 위치로 이동시키면 됩니다. 나머지 ROI는 각자의 정렬 파라미터에 따라 자동으로 대응하는 목표 물체에 정렬되므로 하나씩 조정할 필요가 없습니다.
-
-
마스킹 영역을 설정합니다(선택 사항).
목표 영역 안에 반사광, 그림자 또는 고정 배경 등 관련 없는 간섭이 있을 경우, 마스킹 영역을 설정하여 이를 제외함으로써 모델 학습과 분류 판정 결과에 영향을 주지 않도록 할 수 있습니다.
마스킹 영역 설정 버튼을 클릭하고 "다각형" 박스 지정 도구를 사용하여 시각화 영역에 마스킹 영역을 그립니다. 마우스 왼쪽 버튼 클릭으로 다각형 꼭짓점을 추가하고, 마우스 오른쪽 버튼을 두 번 클릭해 다각형을 닫아 박스 지정을 완료합니다.
-
설정을 마친 후 저장 후 사용을 클릭하여 목표 영역 구성을 적용합니다.
|
목표 영역과 마스킹 영역의 마스크가 완전히 겹칠 때는 맨 위에 있는 레이어만 편집할 수 있습니다.
|
이미지 라벨링
이미지를 취득하고 목표 영역을 설정한 후에는, 모델이 서로 다른 클래스의 특징을 학습할 수 있도록 이미지에 라벨을 지정해야 합니다.
-
편집 버튼을 클릭하여 이미지 라벨링 절차로 들어갑니다.
-
시각화 영역에서 이미 박스 지정된 목표 ROI를 선택한 뒤, 오른쪽 라벨링 클래스 옵션에서 OK 또는 NG 클래스의 이미지 라벨링 버튼을 클릭하여 단일 목표의 라벨링을 완료합니다.
이 도구는 고정된 OK와 NG 클래스를 사용해 라벨링합니다. 실제 요구에 따라 그 업무 의미를 정의할 수 있습니다. 예를 들어 "정면" 또는 "있음"은 OK 클래스로, "반면" 또는 "없음"은 NG 클래스로 라벨링할 수 있습니다.
-
이미지 획득 버튼을 클릭해 새 이미지를 취득하고 위 라벨링 단계를 반복합니다. OK 클래스는 최소 한 장 이상의 이미지를 라벨링해야 하며, NG 클래스에 여러 상황이 포함되어 있다면 각 상황마다 최소 한 장 이상 라벨링하는 것을 권장합니다.
-
라벨링할 때는 OK와 NG 클래스의 이미지 모두를 동시에 라벨링하고, 다양한 촬영 조건(예: 위치 편차, 오염, 스크래치, 변형, 색조 또는 배경 차이)을 충분히 포함하는 것이 좋습니다. 라벨링이 충분할수록 모델의 적응 능력이 강해집니다.
-
클래스가 모호한 이미지는 라벨링하지 않는 것이 좋습니다. 그렇지 않으면 모델 학습 효과에 영향을 줄 수 있습니다.
-
실제 생산 시나리오에서 조명이나 목표 물체 각도에 불확실성이 있다면, 고급 설정에서 "밝기 변화 적응" 또는 "회전 변화 적응" 옵션을 켤 수 있습니다. 시스템은 이미 라벨링된 이미지에 가벼운 회전과 밝기 조정을 자동 적용하여, 다양한 조건의 가상 이미지를 더 생성해 모델 학습에 사용합니다. 이를 통해 학습 내용을 확장하고 모델의 일반화 성능을 높일 수 있습니다.
-
-
라벨링을 마친 뒤 저장 후 사용을 클릭하여 라벨링 결과를 저장합니다.
모델 학습 및 검증
-
모델을 학습합니다.
라벨링을 마친 뒤 학습 버튼을 클릭해 모델 학습을 시작하고, 학습 완료 안내가 표시될 때까지 기다립니다.
-
모델 효과를 검증합니다.
검증 버튼을 클릭해 검증 화면으로 들어갑니다. 이 화면에서 다음 파라미터를 확인하거나 설정하고, 모델의 인식 결과가 기대에 부합하는지 관찰할 수 있습니다.
파라미터 설명 검증 결과
파라미터 설명: 분류 판정 결과를 표시합니다. 인식 결과에 따라 OK 또는 NG 클래스로 표시됩니다.
소요 시간
파라미터 설명: 단일 추론의 소요 시간(ms)을 표시합니다.
신뢰도 임계값
파라미터 설명: 모델이 OK 클래스로 판정하기 위한 최소 신뢰도 기준입니다. 이 값보다 낮은 이미지는 NG 클래스로 판정됩니다.
기본값: 0.5
조정 설명: 기본값 사용을 권장합니다.
판정 설정
파라미터 설명: 이미지에 여러 목표 영역이 있을 때, "모두 OK"를 선택하면 모든 목표 영역이 OK 클래스로 인식될 때만 검증 결과가 OK로 표시됩니다. "하나 이상 OK"를 선택하면 임의의 목표 영역 하나라도 OK 클래스로 인식되면 검증 결과가 OK로 표시됩니다.
값 목록: 모두 OK, 하나 이상 OK
기본값: 모두 OK
조정 설명: 실제 요구에 따라 적절한 판정 설정을 선택하십시오.
히트맵
파라미터 설명: 활성화하면 이미지 위에 모델이 주목한 영역의 시각화 히트맵이 겹쳐 표시됩니다. 색이 진할수록(또는 더 따뜻할수록) 모델이 해당 영역의 특징에 더 많이 주목했음을 의미합니다.
기본값: 꺼짐.
조정 설명: 일반적으로 히트맵은 목표 영역 내부의 특징 위치, 예를 들면 가장자리, 결함 또는 텍스처 등에 집중되어야 합니다. 이를 통해 모델의 주목 포인트를 보조적으로 판단할 수 있습니다.
히트맵 분포가 지나치게 분산되거나 관련 없는 영역에 집중되어 있다면, 모델이 유효한 특징을 올바르게 학습하지 못했을 수 있습니다. 이 경우 앞 단계로 돌아가 더 다양한 학습 이미지를 보충한 후 모델을 다시 학습하는 것을 권장합니다.
-
추가 학습(선택 사항).
판정 결과가 기대에 미치지 못하면 "추가 학습" 기능을 통해 검증 과정에서 잘못 인식되었거나 커버되지 않은 이미지를 보충할 수 있습니다。
-
추가 학습을 클릭해 이미지 라벨링 절차로 들어갑니다.
-
시각화 영역에서 판정이 잘못된 이미지를 선택하거나 새 이미지를 다시 취득하여 라벨링합니다.
-
라벨링을 완료한 후 저장 후 사용을 클릭하면, 시스템이 새로운 라벨링 데이터를 기반으로 다시 학습과 검증을 수행합니다.
-
"학습 → 검증 → 추가 학습"을 반복 수행하여 모델 효과가 기대에 부합할 때까지 개선할 수 있습니다.
추가 학습은 기존 모델을 기반으로 한 증분 학습이므로 처음부터 다시 시작할 필요가 없습니다.
추가 학습 후에도 효과가 개선되지 않으면 라벨링 정확성을 점검하거나, 취득 단계로 돌아가 더 많은 대표 이미지를 보충하는 것을 권장합니다.
-
-
모델을 저장하고 적용합니다.
검증이 완료되면 저장 후 사용 버튼을 클릭하여 모델 구성을 저장합니다.
이로써 모델 구성이 완료됩니다. 도구 창을 닫은 뒤 "모델 이름" 파라미터의 드롭다운 목록에서 해당 모델을 선택하면, 후속 추론 스텝에서 이 모델을 사용해 분류 판정을 수행할 수 있습니다.