TIL_260112

Today I learned

 

 

1. [라이브세션] 멀티모달, 딥러닝 5회차

 

1️⃣ 수업 목표

• CNN 기초부터 전이학습, Object Detection, YOLO까지 학습
• 제조업 **불량 검출(품질 검사)**에 실제로 적용 가능한 컴퓨터 비전 파이프라인 이해

---

2️⃣ 전체 커리큘럼 흐름

• CNN 기초: MNIST 분류, 합성곱/Pooling/Activation 이해
• 전이학습: VGG16 기반 Cats vs Dogs 분류, Fine-tuning 개념
• Object Detection:
  • Classification vs Detection 차이
  • Bounding Box, IoU, NMS
  • R-CNN(2-stage) vs YOLO/SSD(1-stage)
• YOLOv8 실습:
  • COCO pretrained 모델 활용
  • 웹캠 실시간 객체 검출
• 제조업 불량 검출 프로젝트:
  • 불량 이미지 데이터셋
  • YOLOv8 기반 학습 및 성능 개선 논의

•  

---

3️⃣ Ultralytics & YOLOv8 핵심 정리

• Ultralytics
  • YOLOv5~YOLOv8 공식 개발/유지
  • Detect / Classify / Segment / Pose 전부 지원
  • CLI + API + Python class 모두 지원
• YOLOv8 특징
  • Ultralytics 내부 구조로 완전 리디자인
  • 실시간 객체 검출에 최적화
  • 다양한 모델 크기 제공 (n/s/m/l/x)

👉 모델 선택 기준

• 엣지/모바일: yolov8n
• 실시간 + 제한된 GPU: yolov8s
• 정확도/속도 균형: yolov8m
• 최고 성능: yolov8l / yolov8x

 

4️⃣ 실습 핵심: 불량 검출 학습 파이프라인

🔹 YOLO 학습 흐름

1. .pt 사전학습 모델 로드
2. .yaml 데이터셋 설정 (train / val / test, 클래스 정보)
3. model.train()으로 학습
4. model.val() 평가
5. model.predict() 추론

🔹 single_cls 옵션 차이

• single_cls=True
  • 불량 여부만 판단 (OK vs Defect 통합)
  • 검사 유무 판단용
• single_cls=False
  • OK / Defect 구분
  • 불량 유형 관리, 통계 목적

5️⃣ 배치 크기(Batch Size) 개념

• 한 번에 GPU에 올려 학습하는 이미지 수
• 작을수록
  • 업데이트 자주 발생
  • 이상치에 민감, 일반화에 유리
• 클수록
  • 학습 속도 빠름
  • 메모리 사용 증가, 평균화 경향

•  

---

6️⃣ Casting 불량 데이터셋 실습

• Kaggle 산업용 주조(casting) 불량 데이터셋
  • 총 1,300장
  • OK: 519 / Defect: 781
• YOLOv8 분류 모델로 불량 검출 학습
• 학습/검증 loss 감소 확인

---

7️⃣ 제조업 관점 인사이트

• AI 비전은 전통적인 이미지 프로세싱을 완전히 대체하기보다는 보완
• 데이터 품질, 라벨링, 공정 이해가 성능에 결정적
• 불량 검출은 단순 모델 성능보다 현장 적용 가능성이 중요

 

 

 

2. 최종프로젝트

데이터 전처리 과정 변경

EDA 진행중