모델 유형 선택 모델 생성 모델 평가 모델 사용 엣지 디바이스에서 모델 사용 대시보드 사용

Amazon Lookout for Vision 이해

Amazon Lookout for Vision을 사용하면 다음과 같은 작업에서 산업용 제품의 시각적 결함을 대규모로 정확하게 찾아낼 수 있습니다.

손상된 부품 감지 — 제조 및 조립 과정에서 제품 표면 품질, 색상 및 모양에 대한 손상을 찾아냅니다.
누락된 구성 요소 식별 — 물체의 부재, 존재 또는 위치를 기준으로 누락된 구성 요소를 확인합니다. 인쇄 회로 기판의 커패시터 분실을 예로 들 수 있습니다.
공정 문제 파악 — 실리콘 웨이퍼의 동일한 지점에서 반복되는 스크래치와 같이 패턴이 반복되는 결함을 감지합니다.

Lookout for Vision을 사용하면 이미지에 이상이 있는지 예측하는 컴퓨터 비전 모델을 만들 수 있습니다. Amazon Lookout for Vision에서 모델을 학습시키고 테스트하는 데 사용하는 이미지를 제공합니다. Amazon Lookout for Vision은 학습된 모델을 평가하고 개선하는 데 사용할 수 있는 지표를 제공합니다. 학습된 모델을 AWS 클라우드에서 호스팅하거나 에지 디바이스에 모델을 배포할 수 있습니다. 간단한 API 작업을 통해 모델이 예측한 결과를 반환합니다.

모델을 만들고, 평가하고, 사용하는 일반적인 워크플로는 다음과 같습니다.

모델 유형 선택

모델을 생성하려면 먼저 원하는 모델 유형을 결정해야 합니다. 이미지 분류와 이미지 세분화이라는 두 가지 유형의 모델을 만들 수 있습니다. 사용 사례를 바탕으로 생성할 모델 유형을 결정합니다.

이미지 분류 모델

이미지에 예외 항목이 포함되어 있는지 여부만 알면 되고 위치는 알 필요가 없다면 이미지 분류 모델을 만들어 보세요. 이미지 분류 모델은 이미지에 이상이 있는지 여부를 예측합니다. 예측에는 예측 정확도에 대한 모델의 신뢰도가 포함됩니다. 모델은 이미지에서 발견된 이상 현상의 위치에 대한 정보를 제공하지 않습니다.

이미지 세분화 모델

스크래치 위치와 같은 이상 현상의 위치를 알아야 하는 경우 이미지 세분화 모델을 만드십시오. Amazon Lookout for Vision 모델은 의미 체계 분할을 사용하여 이미지에서 결함 유형 (예: 스크래치 또는 누락된 부분) 이 있는 픽셀을 식별합니다.

참고

의미 체계 분할 모델은 다양한 유형의 예외 항목을 찾습니다. 개별 이상 현상에 대한 인스턴스 정보는 제공하지 않습니다. 예를 들어 이미지에 움푹 들어간 곳이 두 개 있는 경우 Lookout for Vision은 움푹 들어간 곳 이상 유형을 나타내는 단일 엔티티의 두 움푹 들어간 곳에 대한 정보를 반환합니다.

Amazon Lookout for Vision 분할 모델은 다음을 예측합니다.

분류

모델은 분석된 이미지에 대한 분류 (정상/변칙)를 반환하며, 여기에는 예측에 대한 모델의 신뢰도가 포함됩니다. 분류 정보는 분할 정보와 별도로 계산되므로 둘 사이의 관계가 있다고 가정해서는 안 됩니다.

분할

모델은 이미지에서 이상이 발생하는 픽셀을 표시하는 이미지 마스크를 반환합니다. 데이터셋의 예외 항목 레이블에 할당된 색상에 따라 다양한 유형의 예외 항목이 색상으로 구분됩니다. 예외 항목 레이블은 예외 항목의 유형을 나타냅니다. 예를 들어, 다음 이미지의 파란색 마스크는 자동차에서 발견된 스크래치 이상 유형의 위치를 표시합니다.

모델은 마스크에 있는 각 예외 항목 레이블의 색상 코드를 반환합니다. 또한 모델은 예외 항목 레이블의 이미지 커버링 비율도 반환합니다.

Lookout for Vision 분할 모델을 사용하면 다양한 기준을 사용하여 모델의 분석 결과를 분석할 수 있습니다. 예:

예외 위치 — 변칙 위치를 알아야 하는 경우 분할 정보를 사용하여 변칙을 커버하는 마스크를 확인하십시오.
예외 유형 — 분할 정보를 사용하여 이미지에 허용되는 개수 이상의 예외 유형이 포함되어 있는지 확인할 수 있습니다.
적용 범위 — 분할 정보를 사용하여 예외 유형이 영상의 허용 가능한 영역 이상을 포함하는지 여부를 결정할 수 있습니다.
이미지 분류 — 이상 위치를 알 필요가 없는 경우 분류 정보를 사용하여 이미지에 이상이 있는지 확인하십시오.

예제 코드는 이미지에서 이상 탐지 단원을 참조하세요.

원하는 모델 유형을 결정한 후 모델을 관리할 프로젝트와 데이터 세트를 생성합니다. 레이블을 사용하여 이미지를 정상 또는 이상 이미지로 분류할 수 있습니다. 또한 레이블은 마스크 및 예외 유형과 같은 분할 정보를 식별합니다. 데이터 세트의 이미지에 레이블을 지정하는 방법에 따라 Lookout for Vision에서 생성하는 모델 유형이 결정됩니다.

이미지 분할 모델에 레이블을 지정하는 것은 이미지 분류 모델에 레이블을 지정하는 것보다 더 복잡합니다. 분할 모델을 훈련시키려면 훈련 이미지를 정상 또는 변칙 이미지로 분류해야 합니다. 또한 각 변칙 이미지에 대해 변칙 마스크와 변칙 유형을 정의해야 합니다. 분류 모델에서는 훈련 이미지를 정상 또는 변칙 이미지로 식별하기만 하면 됩니다.

모델 생성

모델을 만드는 단계는 프로젝트 생성, 데이터세트 생성, 모델 학습입니다.

프로젝트 생성

프로젝트를 생성하여 생성한 데이터 세트와 모델을 관리하세요. 프로젝트는 단일 사용 사례 (예: 단일 유형의 기계 부품에서 이상을 감지하는 경우)에만 사용해야 합니다.

대시보드를 사용하여 프로젝트 개요를 파악할 수 있습니다. 자세한 내용은 Amazon Lookout for Vision 대시보드 사용 섹션을 참조하세요.

추가 정보: 프로젝트 만들기.

데이터 세트 생성

모델을 학습시키려면 Amazon Lookout for Vision은 사용 사례에 맞는 정상 및 변칙 물체의 이미지가 필요합니다. 이러한 이미지를 데이터 세트로 제공합니다.

데이터세트는 해당 이미지를 설명하는 이미지와 레이블의 집합입니다. 이미지는 이상 현상이 발생할 수 있는 단일 유형의 객체를 나타내야 합니다. 자세한 내용은 데이터 세트용 이미지 준비 섹션을 참조하세요.

Amazon Lookout for Vision을 사용하면 단일 데이터 세트를 사용하는 프로젝트 또는 별도의 교육 및 테스트 데이터 세트가 있는 프로젝트를 만들 수 있습니다. 교육, 테스트 및 성능 튜닝을 세부적으로 제어하려는 경우가 아니라면 단일 데이터 세트 프로젝트를 사용하는 것이 좋습니다.

이미지를 가져와서 데이터 세트를 생성합니다. 이미지를 가져오는 방법에 따라 이미지에 레이블이 지정될 수도 있습니다. 그렇지 않은 경우 콘솔을 사용하여 이미지에 레이블을 지정합니다.

이미지 가져오기

Lookout for Vision 콘솔에서 데이터세트를 생성하면, 다음 중 한 가지 방법으로 이미지를 가져올 수 있습니다.

로컬 컴퓨터에서 이미지를 가져옵니다. 이미지에는 레이블이 지정되지 않습니다.
S3 버킷에서 이미지를 가져옵니다. Amazon Lookout for Vision은 이미지가 포함된 폴더 이름을 사용하여 이미지를 분류할 수 있습니다. 일반 이미지에 normal를 사용합니다. 변칙 이미지에 anomaly를 사용합니다. 분할 레이블은 자동으로 할당할 수 없습니다.
Amazon SageMaker Ground Truth 매니페스트 파일을 가져옵니다.. 매니페스트 파일의 이미지에는 레이블이 지정됩니다. 매니페스트 파일을 직접 만들고 가져올 수 있습니다. 이미지가 많은 경우 SageMaker Ground Truth 라벨 제작 서비스를 사용해 보십시오. 그런 다음 Amazon SageMaker Ground Truth 작업에서 출력 매니페스트 파일을 가져옵니다.

이미지 레이블 지정

레이블은 데이터세트의 이미지를 설명합니다. 레이블은 이미지가 정상인지 비정상(분류)인지를 지정합니다. 또한 레이블은 이미지 상의 예외 위치 (분할)를 설명합니다.

이미지에 레이블이 지정되지 않은 경우 콘솔을 사용하여 이미지에 레이블을 지정할 수 있습니다.

데이터 세트의 이미지에 할당하는 레이블에 따라 Lookout for Vision이 생성하는 모델 유형이 결정됩니다.

이미지 분류

이미지 분류 모델을 만들려면 Lookout for Vision 콘솔을 사용하여 데이터 세트의 이미지를 정상 또는 이상 이미지로 분류합니다.

CreateDataset 작업을 사용하여 분류 정보가 포함된 매니페스트 파일에서 데이터세트를 만들 수도 있습니다.

이미지 분할

이미지 분할 모델을 만들려면 Lookout for Vision 콘솔을 사용하여 데이터 세트의 이미지를 정상 또는 이상 이미지로 분류합니다. 또한 이미지의 이상 영역 (있는 경우)에는 픽셀 마스크를 지정하고 개별 예외 마스크에는 예외 항목 레이블을 지정할 수 있습니다.

CreateDataset작업을 사용하여 세분화 및 분류 정보가 포함된 매니페스트 파일에서 데이터셋을 만들 수도 있습니다.

프로젝트에 별도의 훈련 및 테스트 데이터 세트가 있는 경우 Lookout for Vision은 훈련 데이터 세트를 사용하여 모델 유형을 학습하고 결정합니다. 테스트 데이터 세트의 이미지에도 같은 방식으로 레이블을 지정해야 합니다.

추가 정보: 데이터세트 만들기.

모델 학습

학습을 통해 모델이 생성되고 이미지에 이상이 있는지 예측하도록 모델을 학습시킵니다. 학습할 때마다 모델의 새 버전이 생성됩니다.

Amazon Lookout for Vision은 학습을 시작할 때 모델 학습에 가장 적합한 알고리즘을 선택합니다. 모델을 학습시킨 다음 테스트합니다. Amazon Lookout for Vision을 시작하기에서 단일 데이터세트 프로젝트를 학습시키는 경우 데이터세트를 내부적으로 분할하여 학 데이터세트와 테스트 데이터세트를 만듭니다. 학습 데이터 세트와 테스트 데이터 세트가 분리된 프로젝트를 만들 수도 있습니다. 이 구성에서 Amazon Lookout for Vision은 학습 데이터 세트를 사용하여 모델을 학습시키고 테스트 데이터 세트로 모델을 테스트합니다.

중요

모델을 성공적으로 학습하는 시간을 기준으로 요금이 부과됩니다.

추가 정보: 모델 학습하기.

모델 평가

테스트 중에 만든 성능 지표를 사용하여 모델의 성능을 평가하십시오.

성능 지표를 사용하면 학습된 모델의 성능을 더 잘 이해하고 프로덕션 환경에서 사용할 준비가 되었는지 결정할 수 있습니다.

추가 정보: 모델 개선.

성능 지표에서 개선이 필요한 것으로 나타나면 새 이미지로 시험 탐지 작업을 실행하여 훈련 데이터를 더 추가할 수 있습니다. 작업이 완료되면 결과를 확인하고 검증된 이미지를 훈련 데이터 세트에 추가할 수 있습니다. 또는 새 훈련 이미지를 데이터 세트에 직접 추가할 수도 있습니다. 다음으로 모델을 재학습시키고 성능 지표를 다시 확인합니다.

추가 정보: 시험 탐지 작업을 통한 모델 검증.