플러스프로젝트 배경
PROJECT ISSUES
기존 담당 업체의 AI모델 성능 미달
기존 AI 모델 성능 : 43%, 연구과제 목표 성능 : 80%
117개의 많은 클래스를 보유한 데이터로써 편향성과 밀집도가 불균형한 저품질의 데이터
PROBLEM SOLVING
HOW ?
데이터 분석을 통한 수집, 가공 방법에 대한 주관사 및 컨소시엄 컨설팅
모델 아키텍처 재선정 및 하이퍼 파라미터 튜닝
데이터 전처리: 데이터 증강을 통한 다양성 확보, 활용모델 학습데이터 포멧으로 데이터 변환
AI 모델 개발 - 데이터 전처리
데이터 다양성 : Data Augmentation 에서 다양성에 대한 부분을 핵심으로 표지판이 많은 데이터 특성상
의미가 왜곡될 수 있는 상하/좌우 반전 증강 미적용
이미지의 내부만 Crop 해 내부 이미지 비율을 조정하여 다양한 거리로 수집된 데이터의 효과 적용
색상(Hue), 채도(Saturation), 명도(Value) 값을 변환해 다양한 환경애서 수집한 효과 적용
AI 모델 개발
Input tensor 크기 조정
기본 세팅 된 Input tensor의 크기는 원천데이터 이미지 파일의 1/3 수준으로 3pixel 이하로 인식되는 라벨링 객체 수량이 많아 모델 예측 성능 저하
AI ENGINEER
Input Tensor 크기조정으로 모든 객체 크기 3pixel 이상으로 인식할 수 있도록 조정
Mosaic 알고리즘 적용
선정 모델 특성상 Input Image 사이즈가 작아, 라벨링된 객체의 크기도 작아짐에 따라 [작은 객체는 탐지하기 어렵다]는 단점을
1장의 이미지크기로 4장의 이미지를 학습할 수 있는 알고리즘을 적용해 많은 학습량으로 단점 보완 및 모델 성능 향상
기존 담당 업체의 AI모델 성능 미달
기존 AI 모델 성능 : 43%, 연구과제 목표 성능 : 80%
117개의 많은 클래스를 보유한 데이터로써 편향성과 밀집도가 불균형한 저품질의 데이터
PROBLEM SOLVING
HOW ?
데이터 분석을 통한 수집, 가공 방법에 대한 주관사 및 컨소시엄 컨설팅
모델 아키텍처 재선정 및 하이퍼 파라미터 튜닝
데이터 전처리: 데이터 증강을 통한 다양성 확보, 활용모델 학습데이터 포멧으로 데이터 변환
AI 모델 개발 - 데이터 전처리
데이터 다양성 : Data Augmentation 에서 다양성에 대한 부분을 핵심으로 표지판이 많은 데이터 특성상
의미가 왜곡될 수 있는 상하/좌우 반전 증강 미적용
이미지의 내부만 Crop 해 내부 이미지 비율을 조정하여 다양한 거리로 수집된 데이터의 효과 적용
색상(Hue), 채도(Saturation), 명도(Value) 값을 변환해 다양한 환경애서 수집한 효과 적용
AI 모델 개발
Input tensor 크기 조정
기본 세팅 된 Input tensor의 크기는 원천데이터 이미지 파일의 1/3 수준으로 3pixel 이하로 인식되는 라벨링 객체 수량이 많아 모델 예측 성능 저하
AI ENGINEER
Input Tensor 크기조정으로 모든 객체 크기 3pixel 이상으로 인식할 수 있도록 조정
Mosaic 알고리즘 적용
선정 모델 특성상 Input Image 사이즈가 작아, 라벨링된 객체의 크기도 작아짐에 따라 [작은 객체는 탐지하기 어렵다]는 단점을
1장의 이미지크기로 4장의 이미지를 학습할 수 있는 알고리즘을 적용해 많은 학습량으로 단점 보완 및 모델 성능 향상
프로젝트 성과
AI학습 결과
AI학습 결과 : mAP 95.1%
핵심 기능
AI 모델 개발
AI 모델 개발
Input tensor 크기 조정
기본 세팅 된 Input tensor의 크기는 원천데이터 이미지 파일의 1/3 수준으로 3pixel 이하로 인식되는 라벨링 객체 수량이 많아 모델 예측 성능 저하
Input tensor 크기 조정
기본 세팅 된 Input tensor의 크기는 원천데이터 이미지 파일의 1/3 수준으로 3pixel 이하로 인식되는 라벨링 객체 수량이 많아 모델 예측 성능 저하
진행 단계
완료
2023.01.
PROJECT ISSUES
기존 담당 업체의 AI모델 성능 미달
기존 AI 모델 성능 : 43%, 연구과제 목표 성능 : 80% 달성
기존 담당 업체의 AI모델 성능 미달
기존 AI 모델 성능 : 43%, 연구과제 목표 성능 : 80% 달성
프로젝트 상세
PROJECT ISSUES
기존 담당 업체의 AI모델 성능 미달
기존 AI 모델 성능 : 43%, 연구과제 목표 성능 : 80%
117개의 많은 클래스를 보유한 데이터로써 편향성과 밀집도가 불균형한 저품질의 데이터
PROBLEM SOLVING
HOW ?
데이터 분석을 통한 수집, 가공 방법에 대한 주관사 및 컨소시엄 컨설팅
모델 아키텍처 재선정 및 하이퍼 파라미터 튜닝
데이터 전처리: 데이터 증강을 통한 다양성 확보, 활용모델 학습데이터 포멧으로 데이터 변환
AI 모델 개발 - 데이터 전처리
데이터 다양성 : Data Augmentation 에서 다양성에 대한 부분을 핵심으로 표지판이 많은 데이터 특성상
의미가 왜곡될 수 있는 상하/좌우 반전 증강 미적용
이미지의 내부만 Crop 해 내부 이미지 비율을 조정하여 다양한 거리로 수집된 데이터의 효과 적용
색상(Hue), 채도(Saturation), 명도(Value) 값을 변환해 다양한 환경애서 수집한 효과 적용
AI 모델 개발
Input tensor 크기 조정
기본 세팅 된 Input tensor의 크기는 원천데이터 이미지 파일의 1/3 수준으로 3pixel 이하로 인식되는 라벨링 객체 수량이 많아 모델 예측 성능 저하
AI ENGINEER
Input Tensor 크기조정으로 모든 객체 크기 3pixel 이상으로 인식할 수 있도록 조정
Mosaic 알고리즘 적용
선정 모델 특성상 Input Image 사이즈가 작아, 라벨링된 객체의 크기도 작아짐에 따라 [작은 객체는 탐지하기 어렵다]는 단점을
1장의 이미지크기로 4장의 이미지를 학습할 수 있는 알고리즘을 적용해 많은 학습량으로 단점 보완 및 모델 성능 향상
기존 담당 업체의 AI모델 성능 미달
기존 AI 모델 성능 : 43%, 연구과제 목표 성능 : 80%
117개의 많은 클래스를 보유한 데이터로써 편향성과 밀집도가 불균형한 저품질의 데이터
PROBLEM SOLVING
HOW ?
데이터 분석을 통한 수집, 가공 방법에 대한 주관사 및 컨소시엄 컨설팅
모델 아키텍처 재선정 및 하이퍼 파라미터 튜닝
데이터 전처리: 데이터 증강을 통한 다양성 확보, 활용모델 학습데이터 포멧으로 데이터 변환
AI 모델 개발 - 데이터 전처리
데이터 다양성 : Data Augmentation 에서 다양성에 대한 부분을 핵심으로 표지판이 많은 데이터 특성상
의미가 왜곡될 수 있는 상하/좌우 반전 증강 미적용
이미지의 내부만 Crop 해 내부 이미지 비율을 조정하여 다양한 거리로 수집된 데이터의 효과 적용
색상(Hue), 채도(Saturation), 명도(Value) 값을 변환해 다양한 환경애서 수집한 효과 적용
AI 모델 개발
Input tensor 크기 조정
기본 세팅 된 Input tensor의 크기는 원천데이터 이미지 파일의 1/3 수준으로 3pixel 이하로 인식되는 라벨링 객체 수량이 많아 모델 예측 성능 저하
AI ENGINEER
Input Tensor 크기조정으로 모든 객체 크기 3pixel 이상으로 인식할 수 있도록 조정
Mosaic 알고리즘 적용
선정 모델 특성상 Input Image 사이즈가 작아, 라벨링된 객체의 크기도 작아짐에 따라 [작은 객체는 탐지하기 어렵다]는 단점을
1장의 이미지크기로 4장의 이미지를 학습할 수 있는 알고리즘을 적용해 많은 학습량으로 단점 보완 및 모델 성능 향상
