작은 객체 탐지

워크플로에서 SAHI(slicing aided hyper inference)를 사용해 이미지를 분할하고, 타일별로 모델을 실행한 뒤 탐지를 이어 붙여 작은 객체를 탐지합니다.

머신러닝 시스템의 성능을 향상시키는 가장 좋은 방법은 종종 모델을 개선하는 것과는 별개입니다. 더 많은 데이터를 수집하고, 데이터셋을 더 정확하게 라벨링하고, 탐지에 중복성을 추가하거나, 문제를 더 작은 조각으로 나누는 것이 보통 모델 아키텍처를 반복 개선하는 것보다 더 큰 효과를 냅니다.

모델 성능에서 흔히 나타나는 한 가지 단점은 관심 대상 객체가 이미지 크기에 비해 매우 작을 때 발생합니다. 한 가지 방법은 이미지를 더 작은 조각으로 타일링한 뒤 이를 병렬로 모델에 통과시키는 것입니다. 이 방법을 SAHI(Slicing Aided Hyper Inference)라고 합니다. 큰 이미지를 서로 겹치는 슬라이스로 나누고, 각 슬라이스를 모델에 통과시킨 뒤, 단일 예측 결과를 출력으로 재구성합니다.

SAHI를 워크플로 Image Slicer와 Detections Stitch 블록으로 쉽게 할 수 있습니다.

난이도: 쉬움 완료 시간: 10분

시작 지점

우리는 다음과 비슷한 출력으로 시작할 것입니다 Hello World 튜토리얼을 따르세요. 이 가이드를 따라 객체 탐지 모델의 예측 결과를 시각화하는 간단한 워크플로를 만드세요:

하지만 객체가 작을 때 이 모델은 이를 찾아내지 못합니다.

이 모델이 학습한 MS COCO 데이터셋에서 자동차는 가장 널리 대표되는 클래스 중 하나임에도 불구하고, 이미지가 모델의 입력 해상도로 축소되면 자동차의 너비가 겨우 몇 픽셀에 불과해지기 때문에 여전히 하나만 찾습니다.

SAHI 추가하기

이미지를 더 작은 타일로 잘라 모델이 작업할 수 있는 픽셀 정보를 더 많이 얻도록 하여 이를 해결할 것입니다.

첫 번째 단계는 Workflow에 Image Slicer 블록을 추가하는 것입니다. 마지막에 원래의 SAHI 없는 예측 결과와 출력을 비교할 수 있도록 이를 병렬 실행 경로에서 수행하겠습니다.

그다음 각 슬라이스에서 실행되는 객체 탐지 모델을 추가하겠습니다. Image Slicer와 Image Stitch 블록 사이의 모든 것은 슬라이스 집합에 대해 요소별로 작동합니다. Workflows는 가능한 곳에서 작업(예: GPU를 통한 예측 배치 처리)을 자동으로 병렬화합니다.