자습서: ML.NET 이미지 분류 API와 함께 전송 학습을 사용하여 자동화된 시각적 검사

전송 학습, 미리 학습된 TensorFlow 모델 및 ML.NET 이미지 분류 API를 사용하여 사용자 지정 딥 러닝 모델을 학습시켜 콘크리트 표면의 이미지를 금이 가거나 크래킹되지 않은 이미지로 분류하는 방법을 알아봅니다.

이 자습서에서는 다음 방법을 알아봅니다.

• 문제 이해
• ML.NET 이미지 분류 API에 대해 알아보기
• 미리 학습된 모델을 이해하세요
• 전송 학습을 사용하여 사용자 지정 TensorFlow 이미지 분류 모델 학습
• 사용자 지정 모델을 사용하여 이미지 분류

필수 구성 요소

• Visual Studio 2022.

문제 이해

이미지 분류는 컴퓨터 비전 문제입니다. 이미지 분류는 이미지를 입력으로 사용하고 지정된 클래스로 분류합니다. 이미지 분류 모델은 일반적으로 딥 러닝 및 신경망을 사용하여 학습됩니다. 자세한 내용은 딥 러닝과 기계 학습참조하세요.

이미지 분류가 유용한 몇 가지 시나리오는 다음과 같습니다.

• 얼굴 인식
• 감정 감지
• 의료 진단
• 랜드마크 감지

이 자습서에서는 균열로 인해 손상된 구조를 식별하기 위해 브리지 데크의 자동화된 시각적 검사를 수행하는 사용자 지정 이미지 분류 모델을 학습합니다.

이미지 분류 API ML.NET

ML.NET 이미지 분류를 수행하는 다양한 방법을 제공합니다. 이 자습서에서는 이미지 분류 API를 사용하여 전송 학습을 적용합니다. 이미지 분류 API는 TensorFlow C++ API에 대한 C# 바인딩을 제공하는 하위 수준 라이브러리인 TensorFlow.NET사용합니다.

전이 학습이란?

전이 학습은 한 가지 문제를 해결하여 얻은 지식을 다른 관련 문제에 적용합니다.

딥 러닝 모델을 처음부터 학습하려면 여러 매개 변수, 많은 양의 레이블이 지정된 학습 데이터 및 방대한 양의 컴퓨팅 리소스(수백 시간)를 설정해야 합니다. 전이 학습과 함께 사전 학습된 모델을 사용하면 학습 프로세스를 단축할 수 있습니다.

학습 프로세스

이미지 분류 API는 미리 학습된 TensorFlow 모델을 로드하여 학습 프로세스를 시작합니다. 학습 프로세스는 다음 두 단계로 구성됩니다.

1. 병목 상태 단계.
2. 학습 단계.

병목 단계

병목 단계에서 학습 이미지 집합이 로드되고, 픽셀 값이 미리 학습된 모델의 고정 계층에 대한 입력 또는 특징으로 사용됩니다. 고정 계층은 신경망의 모든 계층을 끝에서 두 번째 계층까지 포함하며 비공식적으로 병목 현상 계층이라고 합니다. 이러한 계층은 학습이 일어나지 않으며 작업이 단순히 통과되기 때문에 고정된 계층이라고 합니다. 이러한 고정 계층에서는 모델이 서로 다른 클래스를 구분하는 데 도움이 되는 하위 수준 패턴이 계산됩니다. 레이어 수가 많을수록 이 단계는 계산 집약적입니다. 다행히 일회성 계산이므로 다른 매개 변수를 실험할 때 나중에 실행에서 결과를 캐시하고 사용할 수 있습니다.

학습 단계

병목 상태 단계의 출력 값이 계산되면 모델의 최종 계층을 다시 학습하기 위한 입력으로 사용됩니다. 이 프로세스는 반복적이며 모델 매개 변수로 지정된 횟수에 대해 실행됩니다. 각 실행 중에 손실 및 정확도가 평가됩니다. 그런 다음 손실을 최소화하고 정확도를 극대화하는 것을 목표로 모델을 개선하기 위해 적절한 조정이 이루어집니다. 학습이 완료되면 두 개의 모델 형식이 출력됩니다. 그 중 하나는 모델의 .pb 버전이고, 다른 하나는 모델의 .zip ML.NET 직렬화된 버전입니다. ML.NET 지원하는 환경에서 작업하는 경우 모델의 .zip 버전을 사용하는 것이 좋습니다. 그러나 ML.NET 지원되지 않는 환경에서는 .pb 버전을 사용할 수 있습니다.

미리 학습된 모델을 이해하기

이 자습서에서 사용되는 미리 학습된 모델은 잔여 네트워크(ResNet) v2 모델의 101층 변형입니다. 원래 모델은 이미지를 천 개의 범주로 분류하도록 학습됩니다. 모델은 224 x 224 크기의 이미지를 입력으로 사용하고 학습된 각 클래스에 대한 클래스 확률을 출력합니다. 이 모델의 일부는 사용자 지정 이미지를 사용하여 두 클래스 간에 예측을 수행하도록 새 모델을 학습시키는 데 사용됩니다.

콘솔 애플리케이션 만들기

이제 전송 학습 및 이미지 분류 API에 대한 일반적인 이해가 있으므로 애플리케이션을 빌드해야 합니다.

1. "DeepLearning_ImageClassification_Binary"이라는 C# 콘솔 애플리케이션 만듭니다. 다음 단추를 클릭합니다.

2. .NET 8을 사용할 프레임워크로 선택한 다음 만들기 선택합니다.

3. Microsoft.ML NuGet 패키지를 설치합니다.

   메모

   이 샘플에서는 달리 명시되지 않는 한 언급된 안정적인 최신 버전의 NuGet 패키지를 사용합니다.

   1. 솔루션 탐색기에서 프로젝트를 마우스 오른쪽 단추로 클릭하고 NuGet 패키지 관리선택합니다.
   2. 패키지 원본으로 "nuget.org"을 선택합니다.
   3. 찾아보기 탭을 선택합니다.
   4. 사전 출시 포함 확인란을 선택합니다.
   5. Microsoft.ML을 검색합니다.
   6. 설치 단추를 선택합니다.
   7. 나열된 패키지의 사용 조건에 동의하면, 라이선스 동의 대화 상자에서 '동의' 버튼을 선택하십시오.
   8. Microsoft.ML.Vision , SciSharp.TensorFlow.Redist(버전 2.3.1)및 Microsoft.ML.ImageAnalytics NuGet 패키지 대해 이러한 단계를 반복합니다.

데이터 준비 및 이해

메모

이 자습서의 데이터 세트는 Marc Maguire, Sattar Dorafshan 및 Robert J. Thomas가 제공한 "SDNET2018: 기계 학습 애플리케이션을 위한 콘크리트 균열 이미지 데이터 세트"(2018)에서 가져왔습니다. 모든 데이터 세트를 찾습니다. 문서 48. https://digitalcommons.usu.edu/all_datasets/48

SDNET2018은 금이 간 및 금이 가지 않은 콘크리트 구조물(교량 상판, 벽 및 포장도로)에 대한 주석이 포함된 이미지 데이터 세트입니다.

데이터는 세 개의 하위 디렉터리로 구성됩니다.

• D에는 브리지 데크 이미지가 포함되어 있습니다.
• P에는 도로 이미지가 포함되어 있습니다.
• W에는 벽 이미지가 포함되어 있습니다.

이러한 각 하위 디렉터리에는 두 개의 추가 접두사 하위 디렉터리가 포함됩니다.

• C는 금이 간 표면에 사용되는 접두사입니다.
• U는 크래킹되지 않은 표면에 사용되는 접두사입니다.

이 자습서에서는 브리지 데크 이미지만 사용됩니다.

1. 데이터 세트을 다운로드한 후 압축을 풉니다.
2. 프로젝트에 "Assets"라는 디렉터리를 만들어 데이터 세트 파일을 저장합니다.
3. CD 및 UD 하위 디렉터리를 최근에 압축 해제된 디렉터리에서 Assets 디렉터리로 복사합니다.

입력 및 출력 클래스 만들기

1. Program.cs 파일을 열고 기존 콘텐츠를 다음 using 지시문으로 바꿉니다.

   using Microsoft.ML;
   using Microsoft.ML.Vision;
   using static Microsoft.ML.DataOperationsCatalog;
   

2. ImageData클래스를 만듭니다. 이 클래스는 처음에 로드된 데이터를 나타내는 데 사용됩니다.

   class ImageData
   {
       public string? ImagePath { get; set; }
       public string? Label { get; set; }
   }
   

   ImageData 다음 속성을 포함합니다.

   • ImagePath 이미지가 저장되는 정규화된 경로입니다.
   • Label 이미지가 속한 범주입니다. 이는 예측할 값입니다.

3. 입력 및 출력 데이터에 대한 클래스를 만듭니다.

   1. ImageData 클래스 아래에서 ModelInput라는 새 클래스에서 입력 데이터의 스키마를 정의합니다.

      class ModelInput
      {
          public byte[]? Image { get; set; }
          public uint LabelAsKey { get; set; }
          public string? ImagePath { get; set; }
          public string? Label { get; set; }
      }
      

      ModelInput 다음 속성을 포함합니다.

      • Image 이미지의 byte[] 표현입니다. 모델은 이미지 데이터가 학습을 위해 이 유형이어야 합니다.
      • LabelAsKey Label숫자 표현입니다.
      • ImagePath 이미지가 저장되는 정규화된 경로입니다.
      • Label 이미지가 속한 범주입니다. 이는 예측할 값입니다.

      Image 및 LabelAsKey만 모델을 학습하고 예측하는 데 사용됩니다. ImagePath 및 Label 속성은 원래 이미지 파일 이름 및 범주에 액세스하기 위해 편리하게 유지됩니다.

   2. 그런 다음, ModelInput 클래스 아래에서 ModelOutput이라는 새 클래스에서 출력 데이터의 스키마를 정의합니다.

      class ModelOutput
      {
          public string? ImagePath { get; set; }
          public string? Label { get; set; }
          public string? PredictedLabel { get; set; }
      }
      

      ModelOutput 다음 속성을 포함합니다.

      • ImagePath 이미지가 저장되는 정규화된 경로입니다.
      • Label 이미지가 속한 원래 범주입니다. 이는 예측할 값입니다.
      • PredictedLabel 모델이 예측하는 값입니다.

      ModelInput와 마찬가지로, 모델이 예측한 결과를 포함하고 있는 PredictedLabel만 있으면 예측을 수행할 수 있습니다. 원래 이미지 파일 이름 및 범주에 액세스하기 위해 ImagePath 및 Label 속성이 유지됩니다.

경로 정의 및 변수 초기화

1. using 지시문 아래에 다음 코드를 추가합니다.

   • 자산의 위치를 정의합니다.

   • MLContext새 인스턴스를 사용하여 mlContext 변수를 초기화합니다.

     MLContext 클래스는 모든 ML.NET 작업의 시작점이며, mlContext를 초기화하면 모델 생성 워크플로 개체 간에 공유할 수 있는 새 ML.NET 환경이 만들어집니다. 개념적으로 Entity Framework에서 DbContext 것과 비슷합니다.

   var projectDirectory = Path.GetFullPath(Path.Combine(AppContext.BaseDirectory, "../../../"));
   var assetsRelativePath = Path.Combine(projectDirectory, "Assets");
   
   MLContext mlContext = new();
   

데이터 로드

데이터 로드 유틸리티 메서드 만들기

이미지는 두 개의 하위 디렉터리에 저장됩니다. 데이터를 로드하기 전에 ImageData 개체 목록에 서식을 지정해야 합니다. 이렇게 하려면 LoadImagesFromDirectory 메서드를 만듭니다.

static IEnumerable<ImageData> LoadImagesFromDirectory(string folder, bool useFolderNameAsLabel = true)
{
    var files = Directory.GetFiles(folder, "*",
        searchOption: SearchOption.AllDirectories);

    foreach (var file in files)
    {
        if ((Path.GetExtension(file) != ".jpg") && (Path.GetExtension(file) != ".png"))
            continue;

        var label = Path.GetFileName(file);

        if (useFolderNameAsLabel)
            label = Directory.GetParent(file)?.Name;
        else
        {
            for (int index = 0; index < label.Length; index++)
            {
                if (!char.IsLetter(label[index]))
                {
                    label = label[..index];
                    break;
                }
            }
        }

        yield return new ImageData()
        {
            ImagePath = file,
            Label = label
        };
    }
}

LoadImagesFromDirectory 메서드:

• 하위 디렉터리에서 모든 파일 경로를 가져옵니다.
• foreach 문을 사용하여 각 파일을 반복하고 파일 확장자가 지원되는지 확인합니다. 이미지 분류 API는 JPEG 및 PNG 형식을 지원합니다.
• 파일의 레이블을 가져옵니다. useFolderNameAsLabel 매개 변수가 true설정되면 파일이 저장된 부모 디렉터리가 레이블로 사용됩니다. 그렇지 않으면 레이블이 파일 이름 자체 또는 해당 파일 이름의 접두사여야 합니다.
• ModelInput새 인스턴스를 생성합니다.

데이터 준비

MLContext새 인스턴스를 만드는 줄 다음에 다음 코드를 추가합니다.

IEnumerable<ImageData> images = LoadImagesFromDirectory(folder: assetsRelativePath, useFolderNameAsLabel: true);

IDataView imageData = mlContext.Data.LoadFromEnumerable(images);

IDataView shuffledData = mlContext.Data.ShuffleRows(imageData);

var preprocessingPipeline = mlContext.Transforms.Conversion.MapValueToKey(
        inputColumnName: "Label",
        outputColumnName: "LabelAsKey")
    .Append(mlContext.Transforms.LoadRawImageBytes(
        outputColumnName: "Image",
        imageFolder: assetsRelativePath,
        inputColumnName: "ImagePath"));

IDataView preProcessedData = preprocessingPipeline
                    .Fit(shuffledData)
                    .Transform(shuffledData);

TrainTestData trainSplit = mlContext.Data.TrainTestSplit(data: preProcessedData, testFraction: 0.3);
TrainTestData validationTestSplit = mlContext.Data.TrainTestSplit(trainSplit.TestSet);

IDataView trainSet = trainSplit.TrainSet;
IDataView validationSet = validationTestSplit.TrainSet;
IDataView testSet = validationTestSplit.TestSet;

이전 코드:

• LoadImagesFromDirectory 유틸리티 메서드를 호출하여 mlContext 변수를 초기화한 후 학습에 사용되는 이미지 목록을 가져옵니다.

• LoadFromEnumerable 메서드를 이용해 이미지를 IDataView에 로드합니다.

• ShuffleRows 메서드를 사용하여 데이터를 섞습니다. 데이터는 디렉터리에서 읽은 순서대로 로드됩니다. 순서 섞기는 균형을 맞추기 위해 수행됩니다.

• 학습하기 전에 데이터에 대한 일부 전처리를 수행합니다. 이 작업은 기계 학습 모델에서 입력이 숫자 형식이 될 것으로 예상하기 때문에 수행됩니다. 전처리 코드는 MapValueToKey 및 LoadRawImageBytes 변환으로 구성된 EstimatorChain 만듭니다. MapValueToKey 변환은 Label 열의 범주 값을 가져와 숫자 KeyType 값으로 변환하고 LabelAsKey이라는 새 열에 저장합니다. LoadImages ImagePath 열의 값을 imageFolder 매개 변수와 함께 사용하여 학습을 위해 이미지를 로드합니다.

• Fit 메서드를 사용하여 데이터를 preprocessingPipelineEstimatorChain에 적용한 다음, Transform 메서드를 사용하여 전처리된 데이터를 포함하는 IDataView를 반환합니다.

• 데이터를 학습, 유효성 검사 및 테스트 집합으로 분할합니다.

  모델을 학습하려면 학습 데이터 세트와 유효성 검사 데이터 세트가 있어야 합니다. 모델은 훈련 데이터셋으로 훈련됩니다. 보이지 않는 데이터에 대한 예측을 얼마나 잘 만드는지는 유효성 검사 집합에 대한 성능으로 측정됩니다. 해당 성능의 결과에 따라 모델은 개선을 위해 학습한 내용을 조정합니다. 유효성 검사 집합은 원래 데이터 세트를 분할하거나 이 목적을 위해 이미 따로 설정된 다른 원본에서 가져올 수 있습니다.

  코드 샘플은 두 분할을 수행합니다. 먼저 전처리된 데이터가 분할되고 70개의% 학습에 사용되고 나머지 30개% 유효성 검사에 사용됩니다. 그런 다음, 30개의% 유효성 검사 집합이 유효성 검사 및 테스트 집합으로 더 분할됩니다. 여기서 90개의% 유효성 검사에 사용되고 10개의% 테스트에 사용됩니다.

  이러한 데이터 파티션의 목적을 생각하는 한 가지 방법은 시험을 치르는 것입니다. 시험을 공부할 때 노트, 책 또는 기타 리소스를 검토하여 시험에 있는 개념을 파악합니다. 이것이 바로 기차 세트의 용도입니다. 그런 다음 모의 시험을 통해 지식의 유효성을 검사할 수 있습니다. 여기서 유효성 검사 집합을 편리하게 사용할 수 있습니다. 실제 시험에 응시하기 전에 개념을 잘 이해하고 있는지 확인하려고 합니다. 이러한 결과에 따라 잘못했거나 잘 이해하지 못한 내용을 기록하고 실제 시험을 검토할 때 변경 내용을 통합합니다. 마지막으로 시험에 응시합니다. 이것이 테스트 집합이 사용되는 용도입니다. 시험에 있는 질문을 본 적이 없으며, 이제 학습 및 유효성 검사에서 배운 내용을 사용하여 현재 작업에 지식을 적용합니다.

• 파티션에 학습, 검증, 및 테스트 데이터에 각기 다른 값을 할당합니다.

학습 파이프라인 정의

모델 학습은 두 단계로 구성됩니다. 먼저 이미지 분류 API를 사용하여 모델을 학습합니다. 그런 다음 PredictedLabel 열의 인코딩된 레이블은 MapKeyToValue 변환을 사용하여 원래 범주 값으로 다시 변환됩니다.

var classifierOptions = new ImageClassificationTrainer.Options()
{
    FeatureColumnName = "Image",
    LabelColumnName = "LabelAsKey",
    ValidationSet = validationSet,
    Arch = ImageClassificationTrainer.Architecture.ResnetV2101,
    MetricsCallback = (metrics) => Console.WriteLine(metrics),
    TestOnTrainSet = false,
    ReuseTrainSetBottleneckCachedValues = true,
    ReuseValidationSetBottleneckCachedValues = true
};

var trainingPipeline = mlContext.MulticlassClassification.Trainers.ImageClassification(classifierOptions)
    .Append(mlContext.Transforms.Conversion.MapKeyToValue("PredictedLabel"));

ITransformer trainedModel = trainingPipeline.Fit(trainSet);

이전 코드:

• ImageClassificationTrainer대한 필수 및 선택적 매개 변수 집합을 저장하는 새 변수를 만듭니다. ImageClassificationTrainer 몇 가지 선택적 매개 변수를 사용합니다.

  • FeatureColumnName 모델의 입력으로 사용되는 열입니다.
  • 예측할 값의 열은 LabelColumnName입니다.
  • IDataView은 유효성 검사 데이터를 포함하는 ValidationSet입니다.
  • Arch은 사용할 미리 학습된 모델 아키텍처를 정의합니다. 이 자습서에서는 ResNetv2 모델의 101층 변형을 사용합니다.
  • MetricsCallback 함수를 바인딩하여 학습 중에 진행률을 추적합니다.
  • TestOnTrainSet 유효성 검사 집합이 없을 때 학습 집합에 대한 성능을 측정하도록 모델에 지시합니다.
  • ReuseTrainSetBottleneckCachedValues 이후 실행에서 병목 상태 단계에서 캐시된 값을 사용할지 여부를 모델에 알려줍니다. 병목 현상 단계는 처음 수행될 때 계산 집약적인 일회성 통과 계산입니다. 학습 데이터가 변경되지 않고 다른 수의 Epoch 또는 일괄 처리 크기를 사용하여 실험하려는 경우 캐시된 값을 사용하면 모델 학습에 필요한 시간이 크게 줄어듭니다.
  • ReuseValidationSetBottleneckCachedValues는 이 경우 유효성 검증 데이터 세트를 위한 것으로 ReuseTrainSetBottleneckCachedValues과 유사합니다.

• mapLabelEstimator ImageClassificationTrainer모두 구성된 EstimatorChain 학습 파이프라인을 정의합니다.

• Fit 메서드를 사용하여 모델을 학습합니다.

모델 사용

모델을 학습했으므로 이제 이미지를 분류하는 데 사용할 시간입니다.

OutputPrediction라는 새 유틸리티 메서드를 만들어 콘솔에 예측 정보를 표시합니다.

static void OutputPrediction(ModelOutput prediction)
{
    string? imageName = Path.GetFileName(prediction.ImagePath);
    Console.WriteLine($"Image: {imageName} | Actual Value: {prediction.Label} | Predicted Value: {prediction.PredictedLabel}");
}

단일 이미지 분류

1. 단일 이미지 예측을 만들고 출력하는 ClassifySingleImage 메서드를 만듭니다.

   static void ClassifySingleImage(MLContext mlContext, IDataView data, ITransformer trainedModel)
   {
       PredictionEngine<ModelInput, ModelOutput> predictionEngine = mlContext.Model.CreatePredictionEngine<ModelInput, ModelOutput>(trainedModel);
   
       ModelInput image = mlContext.Data.CreateEnumerable<ModelInput>(data, reuseRowObject: true).First();
   
       ModelOutput prediction = predictionEngine.Predict(image);
   
       Console.WriteLine("Classifying single image");
       OutputPrediction(prediction);
   }
   

   ClassifySingleImage 메서드:

   • ClassifySingleImage 메서드 내에서 PredictionEngine을 만듭니다. 이 PredictionEngine은(는) 단일 데이터 인스턴스를 입력하여 예측을 수행할 수 있는 편리한 API입니다.
   • 단일 ModelInput 인스턴스에 액세스하려면 CreateEnumerable 메서드를 사용하여 dataIDataViewIEnumerable 변환한 다음 첫 번째 관찰을 가져옵니다.
   • Predict 메서드를 사용하여 이미지를 분류합니다.
   • OutputPrediction 메서드를 사용하여 콘솔에 예측을 출력합니다.

2. 테스트 이미지 집합을 사용하여 Fit 메서드를 호출한 후 ClassifySingleImage 호출합니다.

   ClassifySingleImage(mlContext, testSet, trainedModel);
   

여러 이미지 분류

1. 여러 이미지 예측을 만들고 출력하는 ClassifyImages 메서드를 만듭니다.

   static void ClassifyImages(MLContext mlContext, IDataView data, ITransformer trainedModel)
   {
       IDataView predictionData = trainedModel.Transform(data);
   
       IEnumerable<ModelOutput> predictions = mlContext.Data.CreateEnumerable<ModelOutput>(predictionData, reuseRowObject: true).Take(10);
   
       Console.WriteLine("Classifying multiple images");
       foreach (var prediction in predictions)
       {
           OutputPrediction(prediction);
       }
   }
   

   ClassifyImages 메서드:

   • Transform 메서드를 사용하여 예측을 포함하는 IDataView을 만듭니다.
   • 예측을 반복하기 위해 CreateEnumerable 메서드를 사용하여 predictionDataIDataViewIEnumerable 변환한 다음 처음 10개의 관찰을 가져옵니다.
   • 예측에 대한 원래 및 예측 레이블을 반복하고 출력합니다.

2. 테스트 이미지 집합을 사용하여 ClassifySingleImage() 메서드를 호출한 후 ClassifyImages 호출합니다.

   ClassifyImages(mlContext, testSet, trainedModel);
   

애플리케이션 실행

콘솔 앱을 실행합니다. 출력은 다음 출력과 유사해야 합니다.

메모

경고 또는 처리 메시지가 표시될 수 있습니다. 이러한 메시지는 명확성을 위해 다음 결과에서 제거되었습니다. 간단히 하기 위해 출력이 압축되었습니다.

병목 상태 단계

이미지가 byte[] 로드되므로 표시할 이미지 이름이 없으므로 이미지 이름에 대한 값이 인쇄되지 않습니다.

Phase: Bottleneck Computation, Dataset used:      Train, Image Index: 279
Phase: Bottleneck Computation, Dataset used:      Train, Image Index: 280
Phase: Bottleneck Computation, Dataset used: Validation, Image Index:   1
Phase: Bottleneck Computation, Dataset used: Validation, Image Index:   2

학습 단계

Phase: Training, Dataset used: Validation, Batch Processed Count:   6, Epoch:  21, Accuracy:  0.6797619
Phase: Training, Dataset used: Validation, Batch Processed Count:   6, Epoch:  22, Accuracy:  0.7642857
Phase: Training, Dataset used: Validation, Batch Processed Count:   6, Epoch:  23, Accuracy:  0.7916667

이미지 분류 출력

Classifying single image
Image: 7001-220.jpg | Actual Value: UD | Predicted Value: UD

Classifying multiple images
Image: 7001-220.jpg | Actual Value: UD | Predicted Value: UD
Image: 7001-163.jpg | Actual Value: UD | Predicted Value: UD
Image: 7001-210.jpg | Actual Value: UD | Predicted Value: UD

7001-220.jpg 이미지를 검사하면, 모델이 예측한 대로 금이 가지 않았음을 확인할 수 있습니다.

예측에 사용되는

축하합니다! 이제 이미지를 분류하기 위한 딥 러닝 모델을 성공적으로 빌드했습니다.

모델 개선

모델의 결과에 만족하지 않는 경우 다음 방법 중 일부를 시도하여 성능을 향상시키려고 할 수 있습니다.

• 더 많은 데이터: 모델이 학습하는 예제가 많을수록 성능이 향상됩니다. 전체 SDNET2018 데이터 세트를 다운로드하여 학습에 사용하십시오.
• 데이터 증강: 데이터를 다양화하는 일반적인 기술은 이미지를 사용하고 회전, 뒤집기, 이동, 자르기의 변환을 적용하여 데이터를 증강하는 것입니다. 이렇게 하면 모델에서 학습할 수 있는 더 다양한 예제가 추가됩니다.
• 더 긴 시간 동안 학습하세요: 학습 시간이 길수록 모델이 더욱 정교해집니다. Epoch 수를 늘리면 모델의 성능이 향상될 수 있습니다.
• 하이퍼 매개 변수실험: 이 자습서에서 사용되는 매개 변수 외에도 다른 매개 변수를 조정하여 성능을 향상시킬 수 있습니다. 각 Epoch 이후 모델에 대한 업데이트 크기를 결정하는 학습 속도를 변경하면 성능이 향상될 수 있습니다.
• 다른 모델 아키텍처사용: 데이터의 모양에 따라 해당 기능을 가장 잘 학습할 수 있는 모델이 다를 수 있습니다. 모델의 성능에 만족하지 않는 경우 아키텍처를 변경해 보세요.

다음 단계

이 자습서에서는 전송 학습, 미리 학습된 이미지 분류 TensorFlow 모델 및 ML.NET 이미지 분류 API를 사용하여 사용자 지정 딥 러닝 모델을 빌드하여 콘크리트 표면의 이미지를 금이 가거나 크래킹되지 않은 이미지로 분류하는 방법을 알아보았습니다.

자세한 내용을 보려면 다음 자습서로 진행하세요.

객체 탐지

참고 사항

• 샘플: ML.NET 및 TensorFlow 사용하여 딥 러닝 이미지 분류 모델 학습