모델 비교 시각화
두 모델의 감지 결과 차이를 시각화합니다.
두 모델의 예측을 비교하되, 한 모델만 객체를 탐지한 영역은 색으로 구분하고, 겹치는 예측은 변경하지 않아 모델의 일치와 불일치를 시각화합니다.
이 블록의 작동 방식
이 블록은 두 모델(Model A와 Model B)의 이미지와 예측을 가져와, 모델 간 차이를 강조하는 시각적 비교 오버레이를 생성합니다. 이 블록은:
이미지와 두 세트의 예측(predictions_a 및 predictions_b)을 입력으로 받습니다
각 모델이 예측한 영역의 마스크를 생성합니다(가능한 경우 바운딩 박스 또는 세그멘테이션 마스크 사용)
네 가지 구분된 영역을 식별합니다:
Model A만 예측한 영역(color_a로 표시, 기본값은 초록색)
Model B만 예측한 영역(color_b로 표시, 기본값은 빨간색)
두 모델 모두가 예측한 영역(원본 이미지를 그대로 보이도록 변경하지 않음)
어느 모델에서도 예측되지 않은 영역(background_color로 표시, 기본값은 검은색)
지정된 불투명도를 사용해 식별된 영역에 색상 오버레이를 적용합니다
모델 차이를 색상으로 구분해 표시한 주석이 달린 이미지를 반환합니다
이 블록은 나란히 비교하는 시각화를 생성하여 모델이 어디서 일치하는지(변경되지 않은 영역)와 어디서 불일치하는지(색상으로 구분된 영역)를 쉽게 확인할 수 있게 합니다. 두 모델 모두 예측한 영역은 변경하지 않아 원본 이미지가 그대로 '드러나' 모델 합의를 명확하게 보여줍니다. 이 시각화는 모델의 강점, 약점, 그리고 탐지 동작의 차이를 식별하는 데 도움이 됩니다. 이 블록은 바운딩 박스를 사용하는 객체 탐지 예측 또는 마스크를 사용하는 인스턴스 분할 예측과 함께 작동하므로, 다양한 모델 유형을 비교하는 데 유용합니다.
일반적인 사용 사례
모델 평가 및 비교: 모델 평가, 벤치마킹 또는 선택 워크플로를 위해 두 모델의 탐지 성능을 나란히 비교하여 모델이 어디서 일치, 불일치하거나 서로 다른 탐지 동작을 보이는지 식별합니다
모델 개발 및 디버깅: 모델 버전, 아키텍처 또는 구성 간의 차이를 시각화하여 변경 사항이 탐지 동작에 미치는 영향을 이해하고, 개선 기회를 식별하거나 모델 성능 문제를 디버깅합니다
앙상블 모델 분석: 앙상블 워크플로에서 서로 다른 모델의 예측을 비교하여 모델 일치 패턴을 이해하고, 상호 보완적인 강점을 식별하거나, 앙상블 의사결정을 위한 합의 영역을 분석합니다
학습 데이터 분석: 탐지 차이의 패턴을 식별하고, 학습 개선을 검증하거나, 데이터셋 전반에서 모델 동작을 분석하기 위해 모델 예측을 정답 주석 또는 학습 실행 간에 비교합니다
A/B 테스트 및 모델 선택: 후보 모델을 시각적으로 비교해 상대 성능을 평가하고, 탐지 차이를 식별하거나, 배포를 위한 정보에 기반한 모델 선택 결정을 내립니다
품질 보증 및 검증: 품질 보증, 검증 또는 규정 준수 워크플로를 위해 모델 일관성을 검증하고, 경계 사례에서의 성능을 비교하거나, 모델 간 체계적 차이를 식별합니다
다른 블록과 연결하기
이 블록의 주석이 달린 이미지는 다음에 연결할 수 있습니다:
모델 블록 (예: 객체 탐지 모델, 인스턴스 분할 모델) 서로 다른 모델의 predictions_a와 predictions_b를 받아 비교합니다
데이터 저장 블록 (예: 로컬 파일 싱크, CSV 포맷터, Roboflow 데이터셋 업로드) 문서화, 보고 또는 분석을 위해 비교 시각화를 저장합니다
웹훅 블록 비교 시각화를 외부 시스템, API 또는 웹 애플리케이션으로 전송하여 대시보드, 모델 모니터링 도구 또는 평가 인터페이스에 표시합니다
알림 블록 (예: 이메일 알림, Slack 알림) 모델 성능 모니터링을 위한 경고나 보고서에서 시각적 증거로 비교 시각화를 전송합니다
비디오 출력 블록 모델 비교 시각화가 포함된 주석 처리된 비디오 스트림이나 녹화본을 만들어 실시간 모델 평가, 성능 모니터링 또는 후처리 분석에 사용합니다
유형 식별자
step에서 다음 식별자를 사용하세요 "type" 필드: roboflow_core/model_comparison_visualization@v1 를 워크플로에 단계로 추가합니다.
속성
이름
유형
설명
참조
name
str
이 단계에 고유 식별자를 입력하세요..
❌
copy_image
bool
이 옵션을 활성화하면 시각화를 위해 입력 이미지의 복사본을 만들어 원본을 보존합니다. 여러 시각화를 겹쳐 사용할 때 이 옵션을 사용하세요..
✅
color_a
str
Model A만 예측한 영역(즉, Model B는 예측하지 않은 영역)을 강조하는 데 사용되는 색상입니다. 색상 이름(예: 'GREEN', 'BLUE'), 16진수 색상 코드(예: '#00FF00', '#FFFFFF') 또는 RGB 형식(예: 'rgb(0, 255, 0)')으로 지정할 수 있습니다. 기본값은 Model A의 고유한 예측을 나타내는 GREEN입니다..
✅
color_b
str
Model B만 예측한 영역(즉, Model A는 예측하지 않은 영역)을 강조하는 데 사용되는 색상입니다. 색상 이름(예: 'RED', 'BLUE'), 16진수 색상 코드(예: '#FF0000', '#FFFFFF') 또는 RGB 형식(예: 'rgb(255, 0, 0)')으로 지정할 수 있습니다. 기본값은 Model B의 고유한 예측을 나타내는 RED입니다..
✅
background_color
str
어느 모델에서도 예측되지 않은 영역에 사용되는 색상입니다. 색상 이름(예: 'BLACK', 'GRAY'), 16진수 색상 코드(예: '#000000', '#808080') 또는 RGB 형식(예: 'rgb(0, 0, 0)')으로 지정할 수 있습니다. 기본값은 두 모델 모두 놓친 영역을 나타내는 BLACK입니다..
✅
opacity
실수
0.0(완전히 투명)에서 1.0(완전히 불투명)까지의 범위를 갖는 비교 오버레이의 불투명도입니다. 색상으로 구분된 오버레이가 원본 이미지 위에 얼마나 투명하게 표시되는지를 제어합니다. 낮은 값은 원본 이미지의 세부 정보가 더 잘 보이도록 더 투명한 오버레이를 만들고, 높은 값은 더 강한 색상 강조가 있는 더 불투명한 오버레이를 만듭니다. 일반적인 값은 균형 잡힌 가시성을 위해 0.5에서 0.8 사이입니다..
✅
해당 참조 열은 워크플로 런타임에서 사용할 수 있는 동적 값으로 속성을 매개변수화할 수 있음을 나타냅니다. 자세한 내용은 워크플로 런타임. 자세한 내용은 바인딩 를 참조하세요.
입력 및 출력 바인딩
사용 가능한 연결은 바인딩 종류에 따라 달라집니다. 어떤 바인딩 종류가 있는지 확인하세요 모델 비교 시각화 버전 v1 가 있습니다.
입력 및 출력 바인딩
입력
image(image): 시각화에 사용할 이미지입니다..copy_image(boolean): 이 옵션을 활성화하면 시각화를 위해 입력 이미지의 복사본을 만들어 원본을 보존합니다. 여러 시각화를 겹쳐 사용할 때 이 옵션을 사용하세요..predictions_a(Union[instance_segmentation_prediction,keypoint_detection_prediction,object_detection_prediction,rle_instance_segmentation_prediction]): Model A(비교 중인 첫 번째 모델)의 예측입니다. 객체 탐지, 인스턴스 분할 또는 키포인트 탐지 예측일 수 있습니다. Model A만 예측하고 Model B는 예측하지 않은 영역은 color_a로 표시됩니다. 예측 유형에 따라 바운딩 박스 또는 마스크와 함께 작동합니다..color_a(문자열): Model A만 예측한 영역(즉, Model B는 예측하지 않은 영역)을 강조하는 데 사용되는 색상입니다. 색상 이름(예: 'GREEN', 'BLUE'), 16진수 색상 코드(예: '#00FF00', '#FFFFFF') 또는 RGB 형식(예: 'rgb(0, 255, 0)')으로 지정할 수 있습니다. 기본값은 Model A의 고유한 예측을 나타내는 GREEN입니다..predictions_b(Union[instance_segmentation_prediction,keypoint_detection_prediction,object_detection_prediction,rle_instance_segmentation_prediction]): Model B(비교 중인 두 번째 모델)의 예측입니다. 객체 탐지, 인스턴스 분할 또는 키포인트 탐지 예측일 수 있습니다. Model B만 예측하고 Model A는 예측하지 않은 영역은 color_b로 표시됩니다. 예측 유형에 따라 바운딩 박스 또는 마스크와 함께 작동합니다..color_b(문자열): Model B만 예측한 영역(즉, Model A는 예측하지 않은 영역)을 강조하는 데 사용되는 색상입니다. 색상 이름(예: 'RED', 'BLUE'), 16진수 색상 코드(예: '#FF0000', '#FFFFFF') 또는 RGB 형식(예: 'rgb(255, 0, 0)')으로 지정할 수 있습니다. 기본값은 Model B의 고유한 예측을 나타내는 RED입니다..background_color(문자열): 어느 모델에서도 예측되지 않은 영역에 사용되는 색상입니다. 색상 이름(예: 'BLACK', 'GRAY'), 16진수 색상 코드(예: '#000000', '#808080') 또는 RGB 형식(예: 'rgb(0, 0, 0)')으로 지정할 수 있습니다. 기본값은 두 모델 모두 놓친 영역을 나타내는 BLACK입니다..opacity(float_zero_to_one): 0.0(완전히 투명)에서 1.0(완전히 불투명)까지의 범위를 갖는 비교 오버레이의 불투명도입니다. 색상으로 구분된 오버레이가 원본 이미지 위에 얼마나 투명하게 표시되는지를 제어합니다. 낮은 값은 원본 이미지의 세부 정보가 더 잘 보이도록 더 투명한 오버레이를 만들고, 높은 값은 더 강한 색상 강조가 있는 더 불투명한 오버레이를 만듭니다. 일반적인 값은 균형 잡힌 가시성을 위해 0.5에서 0.8 사이입니다..
출력
image(image): 워크플로의 이미지.
마지막 업데이트
도움이 되었나요?