모델 모니터링

Roboflow의 모델 모니터링 가이드입니다.

정보

Roboflow의 Model Monitoring 대시보드는 프로토타이핑부터 프로덕션까지 모델을 전례 없이 자세히 볼 수 있게 해줍니다. Model Monitoring을 사용하면 상위 수준의 통계를 확인하여 시간이 지남에 따라 모델이 어떻게 성능을 내는지 파악할 수 있고, 개별 추론 요청까지 살펴보며 엣지 케이스에서 모델이 어떻게 동작하는지도 확인할 수 있습니다.

모델 모니터링 더 이상 사용되지 않게 됩니다 그리고 Vision Events로 대체됩니다. 자세한 내용은 Vision Events 문서 에서 확인하세요.

웹 앱

모델 모니터링에 접근하기

Model Monitoring은 Models 페이지의 하위 탭입니다. 접근하려면 워크스페이스 탐색 바에서 "Models" 드롭다운을 열고 "Model Monitoring"을 선택하거나, Models 페이지의 "Model Monitoring" 탭으로 직접 이동하세요.

워크스페이스 대시보드

즉시, 모델과 관련된 세 가지 통계를 볼 수 있습니다:

• 총 요청 수: 워크스페이스의 모든 모델에 대해 수행된 추론의 총 수

• 평균 신뢰도: 모델이 만든 모든 예측의 평균 신뢰도입니다.

• 평균 추론 시간: 모든 추론의 평균 추론 시간(이미지 전처리를 포함해 예측을 생성하는 데 걸린 시간(초))

% 변화 값은 현재 기간과 이전 기간을 기준으로 합니다. 기본적으로 이 통계는 지난 1주일의 데이터를 표시합니다. 그러나 통계 상단의 버튼을 사용하여 시간 범위를 수정할 수 있습니다.

Models 표에는 추론이 생성된 모든 모델이 표시되며, 해당 모델을 클릭하면 모델 대시보드.

모든 모델의 Recent Inferences를 보는 탭과 알림 설정.

모델 대시보드

Models 탭에서 특정 모델을 선택해 해당 데이터를 볼 수 있습니다. 거기에서는 Workspace Overview와 같은 통계를 볼 수 있지만, 하나의 모델에 한정됩니다.

여기서는 통계 외에도 모델의 각 클래스별 검출 수를 확인하고, 다른 클래스에 대한 분포도 볼 수 있습니다.

표 오른쪽 상단의 "See All Inferences" 버튼을 클릭하면 추론 표.

추론 표

여기에서 모델의 모든 예측 결과를 볼 수 있습니다. 또한 추론에 추가된 모든 사용자 지정 메타데이터도 볼 수 있습니다. 추론의 일부만 보려면 표 오른쪽 상단의 필터를 사용할 수 있습니다.

추론 세부 정보

Inferences Table에서 특정 추론을 자세히 살펴보고 더 많은 세부 정보를 볼 수 있습니다. 아래 이미지에 표시된 순서대로 살펴보겠습니다:

1. 이미지: 여기에서 추론된 이미지를 볼 수 있습니다. 참고: 이 기능은 기본적으로 활성화되어 있지 않습니다. 을 참고하세요 추론 이미지 활성화

2. 추론 세부 정보: 이 패널에서는 추론 요청에 대한 모든 세부 정보와 속성을 볼 수 있습니다. 사용 가능한 모든 필드는 기본적으로 표시되지만, 일부를 숨기고 싶다면 오른쪽 상단 모서리의 "Cog" 아이콘을 클릭하여 필드를 숨길 수 있습니다. (이 설정은 브라우저에 유지됩니다)

3. 일부 필드의 경우, 사용 가능하다면 해당 필드를 기준으로 추론을 검색할 수 있는 옵션이 있습니다. 강조 표시된 예시에서는 동일한 모델의 추론을 검색합니다.

4. 검출: 이 접을 수 있는 패널은 해당 추론에서 받은 검출 목록을 보여줍니다. "Class" 및 "Confidence" 표 헤더를 클릭하여 표의 정렬 순서를 선택할 수 있습니다.

5. 다운로드 및 링크 버튼: 여기에서 추론과 연결된 이미지를 다운로드하거나, 나중에 참고할 수 있도록 이 추론 세부 정보의 링크를 복사할 수 있습니다.

추론 이미지 활성화

Active Learning 또는 Dataset Upload로 저장된 이미지는 프로젝트에 이미지를 업로드한 것과 동일하게 계산됩니다. 플랜 유형에 따라 크레딧, 한도 또는 할당량 사용이 적용될 수 있습니다.

Model Monitoring에 추론 이미지를 표시하도록 활성화하는 방법은 두 가지입니다:

• Roboflow Dataset Upload 블록: Workflows에서 "Roboflow Dataset Upload" 블록을 추가할 수 있습니다. 예측과 예측 이미지를 연결하면 Model Monitoring에 표시됩니다.

• 능동 학습: 설정할 수 있습니다 능동 학습 규칙을 프로젝트에서 구성하여 프로덕션 추론 이미지를 자동으로 수집할 수 있습니다.

알림

문제나 이상이 모델에 발생하면 귀하와 팀의 다른 구성원들이 실시간 알림을 구독할 수 있습니다. 예를 들어 모델의 신뢰도가 갑자기 떨어지거나 추론 서버가 다운되어 모델이 중지되면 팀은 이메일 알림을 받게 됩니다.

알림 페이지에서 더 많은 정보를 확인하세요:

알림

사용자 지정 메타데이터

추론에 추가 메타데이터를 첨부하려면 Model Monitoring의 사용자 지정 메타데이터 기능을 사용할 수 있습니다. 사용자 지정 메타데이터를 사용하면 이미지가 촬영된 위치, 예측의 예상 값 등의 정보를 추론에 추가할 수 있습니다. 사용자 지정 메타데이터는 "Recent Inferences" 및 "All Inferences" 보기에서 표시됩니다.

추론 결과에 사용자 지정 메타데이터를 첨부하려면 다음 사용자 지정 메타데이터 API 문서를 참조하세요.

Model Monitoring API

자동화 및 외부 시스템 통합을 위해, 다음을 사용하여 Model Monitoring 통계를 가져올 수 있습니다 모델 모니터링용 API.

지원되는 배포

Model Monitoring은 Inference Server가 인터넷에 연결되어 있는 경우 Roboflow의 Cloud API 또는 Roboflow Inference Server를 사용해 만든 추론 요청을 지원합니다. 여기에는 Roboflow의 License Server.

HTTP API

워크스페이스에서 배포된 모델의 통계 가져오기

Model Monitoring API를 사용하여 Model Monitoring 통계를 가져올 수 있습니다. 이 엔드포인트는 현재 api_key 외에 3개의 쿼리 매개변수를 받습니다:

• startTime: "YYYY-MM-DD HH🇲🇲ss" 형식의 DateTime 문자열입니다. 비어 있으면 요청 시점으로부터 24시간 전으로 기본 설정됩니다

• endTime: "YYYY-MM-DD HH🇲🇲ss" 형식입니다. 비어 있으면 요청 시점의 현재 시간으로 기본 설정됩니다

• modelNames: 쉼표로 구분된 모델 이름 문자열입니다. 예: "?modelNames=license-plate-detector,truck-detector"

통계

GET /:workspace/inference-stats

예시 요청:

curl --location --request GET 'https://api.roboflow.com/${WORKSPACE}/inference-stats?api_key=$ROBOFLOW_API_KEY&startTime=&endTime=' \\

예시 응답:

200

{
    "num_inferences": 120,
    "prev_num_inferences": 290,
    "num_errors": 0,
    "prev_num_errors": 0,
    "avg_confidence": 0.92541713388321,
    "prev_avg_confidence": 0.8610920182589827,
    "avg_response_time": 0.16464362986438943,
    "prev_avg_response_time": 0.043521592255159045,
    "inference_stats": [
        {
            "model_name": "cards-3z9gn",
            "predicted_class": "Playingcards",
            "num_inferences": 106,
            "prev_num_inferences": 190,
            "num_errors": null,
            "prev_num_errors": null,
            "avg_confidence": 0.931105958703923,
            "prev_avg_confidence": 0.935741652940449,
            "avg_response_time": 0.176652773857811,
            "prev_avg_response_time": 0.05487422056841488,
            "median_confidence": 0.9268901944160461,
            "class_count": 211,
            "deployment_types": "hosted",
            "inference_server_versions": "0.15.3,0.16.0",
            "model_num_inferences": 107,
            "prev_model_num_inferences": 190
        },
        {
            "model_name": "cards-3z9gn",
            "predicted_class": "",
            "num_inferences": 1,
            "prev_num_inferences": null,
            "num_errors": null,
            "prev_num_errors": null,
            "avg_confidence": 0,
            "prev_avg_confidence": null,
            "avg_response_time": 0,
            "prev_avg_response_time": null,
            "median_confidence": 0,
            "class_count": 1,
            "deployment_types": "hosted",
            "inference_server_versions": "0.16.0",
            "model_num_inferences": 107,
            "prev_model_num_inferences": null
        },
        {
            "model_name": "hard-hat-sample-8j2w3",
            "predicted_class": "head",
            "num_inferences": null,
            "prev_num_inferences": 100,
            "num_errors": null,
            "prev_num_errors": null,
            "avg_confidence": null,
            "prev_avg_confidence": 0.6933842897415161,
            "avg_response_time": null,
            "prev_avg_response_time": 0.021951598459972955,
            "median_confidence": null,
            "class_count": null,
            "deployment_types": "hosted",
            "inference_server_versions": "0.15.1",
            "model_num_inferences": null,
            "prev_model_num_inferences": 100
        },
        {
            "model_name": "hard-hat-sample-8j2w3",
            "predicted_class": "helmet",
            "num_inferences": null,
            "prev_num_inferences": 100,
            "num_errors": null,
            "prev_num_errors": null,
            "avg_confidence": null,
            "prev_avg_confidence": 0.7451311349868774,
            "avg_response_time": null,
            "prev_avg_response_time": 0.021951598459972955,
            "median_confidence": null,
            "class_count": null,
            "deployment_types": "hosted",
            "inference_server_versions": "0.15.1",
            "model_num_inferences": null,
            "prev_model_num_inferences": 100
        },
        {
            "model_name": "coco",
            "predicted_class": "car",
            "num_inferences": 11,
            "prev_num_inferences": null,
            "num_errors": null,
            "prev_num_errors": null,
            "avg_confidence": 0.91790372133255,
            "prev_avg_confidence": null,
            "avg_response_time": 0.0647244118180817,
            "prev_avg_response_time": null,
            "median_confidence": 0.91790372133255,
            "class_count": 22,
            "deployment_types": "hosted",
            "inference_server_versions": "0.15.3",
            "model_num_inferences": 11,
            "prev_model_num_inferences": null
        },
        {
            "model_name": "license-plate-recognition-rxg4e",
            "predicted_class": "License_Plate",
            "num_inferences": 2,
            "prev_num_inferences": null,
            "num_errors": null,
            "prev_num_errors": null,
            "avg_confidence": 0.8706022202968597,
            "prev_avg_confidence": null,
            "avg_response_time": 0.07911215199999333,
            "prev_avg_response_time": null,
            "median_confidence": 0.8706022202968597,
            "class_count": 2,
            "deployment_types": "hosted",
            "inference_server_versions": "0.15.3",
            "model_num_inferences": 2,
            "prev_model_num_inferences": null
        }
    ]
}

추론에 메타데이터 첨부하기

각 추론 결과에 사용자 지정 메타데이터 값을 첨부하고 Model Monitoring 대시보드에서 확인할 수 있습니다.

활용 사례

사용자 지정 메타데이터는 데이터를 태그하여 더 쉽게 찾고 정리하는 것부터, 추론 결과에 추가 맥락을 제공하는 것까지 다양한 용도로 사용할 수 있습니다. 예를 들어 미국 전역에 세 개의 공장을 둔 자동차 제조업체라고 가정해 봅시다. 추론 결과에 추가할 수 있는 항목으로는 위치, 이미지가 어떤 생산 라인에서 촬영되었는지, 특정 작업이 통과했는지 실패했는지, 그리고 추론의 예상 결과(예: color=blue).

사용자 지정 메타데이터 생성

POST /:workspace/inference-stats/metadata

Model Monitoring 대시보드에 표시될 추론 결과에 추가 데이터를 첨부합니다.

Roboflow의 Inference Container 또는 Serverless Cloud API로 추론 요청을 보내면, 응답에서 inference_id 를 받게 됩니다. 이 ID를 사용하여 이를 inference_ids 배열에 아래와 같이 추가해 메타데이터를 첨부할 수 있습니다. The field_name 은 속성의 이름이며, value 는 값입니다.

예를 들어, 추론 결과에 지리적 위치를 첨부하고 싶다면 다음과 같이 설정합니다: field_name "location"으로 설정하고, value 는 "united_states"와 같은 위치가 됩니다.

참고: 의 값은 field_name 및 field_value 는 완전히 사용자 정의입니다. 대소문자를 포함하여 형식을 일관되게 유지하세요. 예를 들어 field_name: "my_location" 및 field_name: "My_location" 는 두 개의 별도 메타데이터 값으로 처리됩니다.

예시 요청:

curl --location --request POST 'https://api.roboflow.com/${WORKSPACE}/inference-stats/metadata' \\
--header 'Content-Type: application/json' \\
--data-raw '{
    "api_key": "YOUR_API_KEY",
    "data": [
        {
            "inference_ids": ["a12a19a9-a933-44c9-970c-a55ea03bb453"],
            "field_name": "camera_location",
            "field_value": "canada"
        },
        {
            "inference_ids": ["accf0af9-bdf0-4b22-8106-6988d4cada5a"],
            "field_name": "camera_location",
            "field_value": "emea"
        }
    ]
}'

헤더:

이름	값
의	application/json

본문:

이름	유형	설명
data	Array<Metadata>	{ "inference_ids": Array<string>; "field_name": string; "field_value": string; }

응답:

200

{
  "status": "ok"
}

400

{
  "error": "잘못된 요청"
}

Python 사용 예시:

import requests
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

#### 변경할 부분
api_key = "YOUR_API_KEY"
workspace = "YOUR_WORKSPACE_ID"

#### 기본값
field_name = "test_field"
field_value = "test_value"
model_id = "coco/24"
image_path = "https://cdn.britannica.com/79/232779-050-6B0411D7/German-Shepherd-dog-Alsatian.jpg"
api_url = "https://serverless.roboflow.com"

#### 클라이언트 초기화
print("InferenceHTTPClient를 초기화하는 중...")
client = InferenceHTTPClient(
    api_url=api_url, api_key=api_key
).configure(InferenceConfiguration(api_key_transport="header"))

#### 추론 실행
result = client.infer(image_path, model_id=model_id)
print("결과:", result)

#### 결과에서 추론 ID 추출
inference_id = result.get('inference_id')
if inference_id:
    print("추론 ID:", inference_id)
else:
    raise ValueError("응답에서 추론 ID를 찾을 수 없습니다.")

url = f"https://api.roboflow.com/{workspace}/inference-stats/metadata"

#### POST 요청을 위한 헤더와 데이터 설정
headers = {
    "Content-Type": "application/json"
}
data = {
    "api_key": api_key,
    "data": [
        {
            "inference_ids": [inference_id],
            "field_name": field_name,
            "field_value": field_value
        }
    ]
}

#### 사용자 지정 메타데이터를 첨부하기 위해 POST 요청 보내기
response = requests.post(url, headers=headers, json=data)

#### 응답 상태 확인
if response.status_code == 200:
    print("사용자 지정 메타데이터가 성공적으로 첨부되었습니다:", response.json())
else:
    print("사용자 지정 메타데이터 첨부에 실패했습니다:", response.text)