본문으로 건너뛰기
버전: docs v25.02

Vision Classification (VC)

Updated 2024.06.04

What is Vision Classification?  ​

Vision Classification는 딥러닝을 기반으로 한 AI 컨텐츠로, 사전에 준비된 정답지를 활용하여 이미지 분류를 자동화할 수 있습니다.

만약 제조 공정의 효율성을 강화하고자 하거나 최종 제품의 품질을 철저히 관리하기를 원한다면, 당사의 Vision Classification는 바로 이를 위한 솔루션이 될 것입니다. 이 기술은 제조 공정에서 시각적 결함을 탐지하고 품질 검사를 자동화합니다. 불량품을 감지하고 원인을 파악하여 생산 효율성을 향상시킬 수 있습니다. 뿐만 아니라, 검사 과정에서 데이터를 자동으로 수집하여 AI 모델 기반으로 사용자 검토가 필요한 이미지만 별도로 라벨을 변경하여 재학습하여 항상 뛰어난 성능의 모델을 유지할 수 있습니다.

이 외에도 소매업 분야에서 상품 분류 및 인식을 위해 사용될 수 있습니다. 상품 분류와 인식을 자동화하여 재고 관리를 최적화하고 고객 서비스를 향상시킵니다. 또한, 고객이 제품을 촬영하면 해당 제품에 대한 정보를 제공하여 구매 결정을 도울 수 있습니다. Vision Classification에 포함된 설명 가능한 eXplainable AI 기능을 활용하면 추론 근거가 되는 이미지 영역을 확인하여 물건 위치를 빠르게 확인할 수 있습니다.

제품 검사부터 상품 분류, 재고 관리에 이르기까지, Vision Classification는 여러분의 비즈니스에 가치를 더할 차세대 기술 파트너입니다.


When to use Vision Classification?​

VC는 이미지 기반 분류 작업에 사용될 수 있습니다. 이미지와 정답 라벨이 있다면 어떤 분야에서도 VC를 적용할 수 있습니다. 아래와 같은 분야에 활용할 수 있습니다.

  • 제품 외관 검사: 제품의 외관 사진을 이용하여 정상, 불량 이미지 데이터를 수집하여 학습하면 불량 검사 공정을 자동화할 수 있습니다.
  • 재고 관리 자동화: 이미지 데이터를 통해 어떤 종류의 사물/제품이 있는지 확인하고자 하는 고객입니다. 수많은 제품 사진 중 어떤 제품인지 자동으로 라벨을 부여하기 때문에 재고 관리에 활용할 수 있습니다.
  • 사물 분류: 사용자가 업로드한 사진에 어떤 사물이 촬영되었는지 자동으로 태그를 생성하고자 할 수 있습니다.

솔루션 적용 usecase는 다음과 같습니다.

Motor inspection(TBD)​

구동 모터, 전력변환 장치, 통합시스템 등 각종 전기차 부품 솔루션에 대해 이미지 기반 양불판정을 수행하는 솔루션입니다.

Box 외관검사(TBD)​

물류 창고 내 제품이 출고 되기 전 포장 박스 외관의 결함을 검사하는 솔루션 입니다.  


Key Features​

Vision Classification는 우수한 성능과 높은 효율성을 갖춘 딥러닝 모델을 제공하여, 학습 리소스를 크게 필요로 하지 않으면서도 뛰어난 성능을 발휘합니다. 또한, XAI 기능을 통해 추론 결과에 대한 설명력을 제공합니다.

이는 제품 생산 과정이나 최종 출하 시 품질 검사 등 다양한 상황에서 시각적으로 구분 가능한 이미지 데이터를 활용하여 불량을 감지하고자 하는 고객들에게 유용합니다. 또한, 이미지 데이터를 통해 사물이나 제품의 종류를 확인하고자 하는 고객들에게도 도움이 됩니다. 그리고 고객이 업로드한 사진에 자동으로 태그를 생성하여 사물을 인식하고자 하는 고객들에게도 유용한 솔루션입니다.

속도가 빠르고 메모리 사용이 적은 경량화 모델​

VC는 우수하고 학습 리소스가 많이 필요하지 않은 정확도가 우수한 딥러닝 모델을 손쉽게 사용할 수 있습니다. 빠른 속도와 적은 메모리 사용량을 가진 경량화 모델인 mobilenetV1과 mobilnetV3 기반으로 고급분석가가 개발한 저비용 고해상도 모델을 활용하여, Vision Classification는 안정적이고 신뢰할 수 있는 분류 모델을 제공합니다. 추론에 있어서 embedded에 적합한 tensorflow-lite로 변환하여 빠르게 추론합니다.

추론 근거에 대한 영역 확인​

VC는 XAI 기능을 통해 추론 결과에 대한 설명력을 보유하고 있습니다.불량으로 분류되었다면 불량 위치가 이미지에 하이라이트되어 쉽게 불량 위치를 확인할 수 있습니다.

사용자 요구사항에 따른 경량화/고해상도 모델 선택 기능 제공​

경량화 모델과 고해상도 모델을 사용하기 위해 실험계획서의 모델명만 변경하면 쉽게 사용할 수 있어, 간편하면서도 효율적인 사용성을 제공합니다.


Quick Start​

설치하기​

데이터 준비​

  • 이미지 경로와 정답라벨이 기입된 GroundTruth.csv 파일을 준비하세요

  • 이미지는 모두 동일한 사이즈를 가지고 있어야 하며 png, jpeg 확장자를 지원합니다. 자세히보기: VC 입력 데이터 및 산출물 GroundTruth.csv

    labelimage_path
    label1./sample_data/sample1.png
    label2./sample_data/sample2.png
    label1./sampel_data/sample3.png
    ......

필수 parameter 설정​

  1. cv/experimental_plan.yaml 내 하기 데이터 경로를 수정해주세요. 학습만 진행할 경우 load_train_inference_data_path는 수정하지 않아도 됩니다. 
    external_path:
        - load_train_data_path: ./solution/sample_data/train/
         - load_inference_data_path: ./solution/sample_data/test/
  2. train_pipeline에서 input_shape의 형태를 데이터에 맞게 수정해주세요. 추론도 진행할 경우 inference_pipeline에서 동일하게 수정해주세요.   ```bash
    • step: train args:
      • model_type: mobilenetv1 input_shape: [28, 28, 1]
  3. 이 외에도 XAI 기능 설정이나 증강 기능 설정, 학습 이미지 사이즈 혹은 학습 시간 조절과 같이 고급 파라미터 설정을 원하는 경우 우측 페이지를 참고해주세요. 자세히보기: VC Parameter

실행하기​

  • terminal 혹은 jupyter notebook에서 실행하면 됩니다. 자세히 보기: Develop AI Solution
  • 실행 결과는 학습 완료된 모델파일과 예측 결과, 성능표가 저장됩니다.
  • 현재 avx 지원하지 않은 CPU에서는 실행할 수 없습니다.

Topics​


VC Version: 1.5.1, ALO Version: 2.3.4