워크플로우 구축

워크플로우는 모델 추론 실행, 로직 수행, 외부 서비스와의 연동 등 특정 작업을 수행하는 블록들로 구성됩니다.

사용 가능한 블록 목록에 대해 더 자세히 알아보려면, 우리의 블록 문서.

개요

이 가이드에서는 객체 감지 모델을 실행하고, 예측을 집계하며, 모델 결과를 시각화하는 네 개의 블록으로 워크플로우를 만드는 방법을 설명합니다. 다음은 최종 워크플로우 템플릿 입니다. 함께 따라해 보세요.

Detect, Count, and VisualizeRoboflow

블록 연결

구성을 시작하기 전에, 블록 연결이 어떻게 동작하는지 이해하는 것이 중요합니다.

특정 위치에 블록을 추가하려면, 이전 블록을 입력으로 사용해야 합니다. 예를 들어, 위의 워크플로우에서 속성 정의 블록은 객체 감지 블록 다음에 오는데, 이는 모델 블록을 입력으로 사용하기 때문입니다. 바운딩 박스 시각화 블록은 오른쪽에 위치하며, 이는 해당 블록의 출력을 사용하지 않지만 모델 출력을 참조하기 때문입니다. 속성 정의 블록이 아니라 모델 출력을 참조합니다.

위의 예시 워크플로우에서는 네 개의 분리된 경로가 있습니다. 각 분기는 런타임에 병렬로 실행되며, 다른 분기 블록을 입력으로 사용하지 않습니다.

워크플로우 빌드하기

객체 감지 모델

먼저, 객체 감지 모델 블록을 추가하세요. 공개 사전 학습 모델(예: COCO 데이터셋으로 학습된 YOLOv8n) 또는 워크스페이스 내의 파인튜닝된 모델 중에서 선택할 수 있습니다. 여기서는 사전 학습된 COCO모델을 사용하겠습니다. yolov8n 모델로 사람과 차량을 감지합니다.

객체 감지 블록에는 모델이 추론할 이미지를 결정하는 필수 이미지 파라미터가 있습니다. 여러 선택적 파라미터가 있으며, 주요 파라미터는 아래에 자세히 설명되어 있습니다:

• 클래스 필터: 모델이 반환할 클래스 목록입니다. 참고: 모델은 항상 학습된 클래스만 반환하며, 이 옵션을 통해 불필요한 클래스를 필터링할 수 있습니다.

• 신뢰도: 해당 신뢰도 이하의 객체는 반환되지 않습니다.

• IoU 임계값: 임계값이 높을수록 더 많은 중첩 예측이 반환됩니다. 0.9는 90% 이하로 겹치는 객체가 반환되고, 0.1은 10% 이상 겹치는 객체가 포함되지 않습니다.

• 최대 감지 수: 모델이 반환할 객체의 최대 개수

• 클래스 비구분 NMS: 중첩 필터링 시 동일 클래스만 비교·제외할지, 모든 클래스를 비교·제외할지 여부

속성 정의

속성 정의 블록을 사용하면 이미지 크기, 예측된 클래스, 감지된 객체 수 등 데이터에서 관련 정보를 추출할 수 있습니다. 이 예시에서는 객체 감지 모델이 찾은 객체의 수를 집계합니다.

다음의 데이터 속성에는 모델 예측 결과를 참조하세요. 그리고 연산에서 Count Items를 선택합니다. 이 설정은 객체 감지 모델이 예측한 개수를 반환합니다.

바운딩 박스 시각화

모델 결과를 시각화하려면 바운딩 박스 시각화 블록을 추가하세요. 다음의 이미지 파라미터에는 입력 이미지를 선택하고, 예측에는 모델 결과를 선택하세요. 선택적 구성 속성을 사용해 바운딩 박스의 색상과 크기를 변경할 수 있습니다.

레이블 시각화

바운딩 박스를 그리는 것 외에도, 예측의 클래스 이름을 표시하고 싶을 수 있습니다. 이를 위해 바운딩 박스 시각화 뒤에 레이블 시각화 블록을 추가하세요. 동일한 이미지에 바운딩 박스와 레이블을 모두 그리려면 참조 입력 이미지를 bounding_box_visualization 이미지로 설정해야 합니다. 이렇게 하면 바운딩 박스 위에 레이블이 표시됩니다.

선택적 텍스트 파라미터를 변경해 표시 텍스트를 클래스 이름, 신뢰도, 또는 클래스 이름과 신뢰도로 바꿀 수 있습니다.

변경 사항 저장

워크플로우 구성이 끝나면 "Save Workflow"를 클릭하세요. 워크플로우를 배포한 경우, 저장된 워크플로우가 배포된 모든 디바이스에서 실행되기 시작합니다.

이제 워크플로우 구성이 완료되었으니, 테스트할 차례입니다.