Import from dataset 을 선택하여 이미 생성된 데이터셋을 불러올 수 있습니다.
Import from project 를 선택하여 다른 프로젝트에서 사용 중인 이미지 및 라벨 정보를 불러올 수 있습니다.
선택할 수 있는 프로젝트 타입은 다음과 같습니다.
| 현재 열려 있는 프로젝트 | 이미지 및 라벨 정보를 불러올 프로젝트 |
| ----------------------- | ------------------------------------- |
| 분류(CLS) | CLS, IAD |
| 검출(DET) | DET, SEG, GEN |
| 분할(SEG) | SEG, GEN |
| 이상 검출(IAD) | CLS, IAD |
| 문자 인식(OCR) | OCR |
| 결함 생성(GEN) | SEG, GEN |
| 이미지 강화(IEN) | IEN |
필요한 경우 클래스 맵핑을 수행해야 하며, 이미지 및 라벨 정보를 불러올 프로젝트에 등록된 클래스를 현재 열려 있는 프로젝트의 클래스로 맵핑해서 라벨 정보를 가져옵니다. 필요한 클래스가 아닌 경우 각 클래스 별로 불러오지 않도록 설정할 수 있고, 현재 열려 있는 프로젝트에 적합한 클래스가 없는 경우 새로운 클래스를 생성하며 불러올 수 있습니다.
Import from local folder 를 선택하여 로컬 저장소에서 이미지를 추가할 수 있습니다. 이 때 추가되는 이미지는 하나의 데이터셋에 등록이 되어야 합니다.
오토 라벨 기능이란 학습된 모델로 검사를 수행하고, 검사 결과를 라벨 정보로 사용할 수 있도록 지원하는 기능입니다. 라벨링 작업에 대한 로드를 줄여주는 라벨 어시스트 기능 중 하나입니다.
오토 라벨 기능을 사용하려면 학습된 모델이 있어야 합니다. 검사를 수행하기 위해 학습된 모델 중 하나를 선택해야 하며, 프로젝트의 각 타입에서 사용 가능한 모델은 다음과 같습니다.
| 현재 열려 있는 프로젝트 | 설정 가능한 모델의 타입 |
| ----------------------- | ----------------------- |
| 분류(CLS) | CLS, IAD |
| 검출(DET) | DET, SEG, IAD |
| 분할(SEG) | SEG, IAD |
| 이상 검출(IAD) | CLS, IAD |
| 문자 인식(OCR) | OCR |
| 결함 생성(GEN) | SEG, IAD |
| 이미지 강화(IEN) | - |
필요한 경우 클래스 맵핑을 수행해야 합니다. 예를 들어, 모델 클래스 Defect_1 을 프로젝트 클래스 Class_1 로 할당한 경우, Defect_1 로 예측된 결과를 Class_1 에 해당하는 라벨 정보로 활용합니다. 모델 클래스를 할당할 때 No Selection 을 선택하는 경우 해당 모델 클래스로 예측된 결과는 사용하지 않도록 처리됩니다.
Fast 모델을 학습 및 검사 속도가 빠른 모델, Accurate 모델은 속도는 느리지만 보다 정확한 모델입니다. Standard 모델은 중간 성격을 가지고 있는 모델입니다.
반복 횟수(Iterations)를 설정합니다.
학습을 수행하는 총 반복 횟수를 의미합니다.
각 기능에 따라 권장되는 값이 초기 설정되어 있습니다.
Save Best Model 및 Validation Interval(또는 Validation Frequency Level) 을 설정합니다.
Validate 이미지가 존재하는 경우 Save Best Model 옵션을 켤 수 있으며, Validate 이미지에 대해 성능이 제일 좋은 모델을 저장할 수 있습니다.
성능이 제일 좋은 모델을 찾기 위해 지정된 Validation Interval 마다 검증을 수행합니다.
분할(SEG) 기능의 경우 검증할 때 적용할 검사 크기(Inspection Width, Height) 를 설정해야 합니다. 설정된 크기에 따라 GPU 메모리 사용량이 결정됩니다.
이상 검출(IAD) 기능의 경우 Validate 이미지가 없어도 내부에서 생성한 이미지로 Save Best Model 을 수행할 수 있으며, 항상 켜는 것을 권장합니다.
이상 검출(IAD) 기능의 경우 검증 과정이 균일한 스텝이 아니라 비균일하게 제공되기 때문에, Validation Interval 대신 Validation Frequency Level 이 제공됩니다. 검증을 촘촘하게 수행하고자 하는 경우 Dense 를, 반대의 경우 Sparse 를 선택할 수 있습니다.
파라미터를 변경하는 경우 우측 상단의 Update 버튼이 활성화됩니다. 활성화된 Update 버튼을 클릭하여 검사 결과를 업데이트할 수 있습니다.
Reset Parameters 버튼을 클릭하여 모델이 생성될 당시 최초의 파라미터 값으로 복원할 수 있습니다.
Sync Model and Analysis 버튼을 클릭하여 모델 파일에 쓰인 값과 애널리시스에서 사용 중인 파라미터값을 비교하고, 서로의 싱크를 맞출 수 있습니다.
분류(CLS)
각 클래스마다 0-100 점 사이의 추가 점수를 부여할 수 있습니다.
부여된 추가 점수를 합산하여 최고 점수를 기록한 클래스로 이미지가 분류됩니다.
검출(DET)
각 클래스마다 객체의 점수값, 넓이에 따라 기준값을 설정할 수 있습니다. 기준값을 넘지 못하는 객체는 검출되지 않습니다.
분할(SEG)
각 클래스마다 객체의 boundary 를 결정하는 파라미터가 있습니다. 해당 파라미터 값을 높게 설정할수록 검출되는 객체가 좁아집니다.
각 클래스마다 객체의 점수값, 넓이에 따라 기준값을 설정할 수 있습니다. 기준값을 넘지 못하는 객체는 검출되지 않습니다.
이상 검출(IAD)
Image Anomaly Score 기준값에 따라 이미지가 NG 또는 OK 로 분류됩니다.
Color Range: 각 이미지는 Heatmap 결과를 가지고 있으며, Heatmap 은 각 픽셀의 score 값이 반영되어 점수가 낮은 픽셀은 파란색으로, 점수가 높은 픽셀은 빨간색으로 표시된다. Color Range 를 조정하여 세부적으로 보고 싶은 score 범위를 설정할 수 있으며, 이 범위에 속하는 영역을 파란색-빨간색의 Heatmap 으로 변환하여 보여준다.
Boundary Threshold: 설정된 Boundary Threshold 보다 높은 점수를 갖고 있는 픽셀의 집합이 Object(Contour) 로 검출된다.
Object 에는 score 값과 area 값이 있으며, Score Threshold 와 Area Threshold 에 따라 object 검출 여부가 결정된다.
