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

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

본 프로젝트는 당사의 외부 협력 인력이 수행한 사례로, 해당 인력의 동의를 받아 포트폴리오 용도로 일부 화면을 예시 형식으로 소개합니다.
표시된 내용은 기술적 참고를 위한 비상업적 자료이며,
저작권 귀속 관계를 고려하여 클라이언트의 권리를 침해하지 않도록 최소한으로 활용하고 있습니다.
이해관계자의 요청이 있을 경우 신속히 검토 후 수정 또는 삭제 조치하겠습니다.