40분
데이터 증강 전략: torchvision & Albumentations
Day 2: CNN 기반 불량 분류
데이터 증강 전략: torchvision & Albumentations
비전 AI — 제조 외관검사 시스템 > Day 2: CNN 기반 불량 분류
학습 목표
제조 이미지에 적합한 데이터 증강 기법을 선택할 수 있다 Albumentations 라이브러리로 고급 증강을 구현할 수 있다 과도한 증강이 오히려 성능을 저하시키는 경우를 이해한다
데이터 증강으로 소량 데이터 극복
제조 불량 데이터는 항상 부족하다. 데이터 증강으로 학습 데이터를 인위적으로 늘린다.
제조에 적합한 증강 vs 부적합한 증강
| 증강 기법 | 제조 적합도 | 이유 |
|---|---|---|
| 수평/수직 플립 | 적합 | 결함 방향이 다양 |
| 회전 (0-360도) | 적합 | 검사 방향 무관 |
| 밝기/대비 조절 | 매우 적합 | 조명 변화 시뮬레이션 |
| 가우시안 노이즈 | 적합 | 센서 노이즈 시뮬레이션 |
| Cutout/Erasing | 적합 | 부분 가림 대응 |
| 색상 왜곡 (Hue) | 주의 | 변색 불량과 혼동 |
| 과도한 블러 | 부적합 | 미세 결함 소실 |
| 텍스트 오버레이 | 부적합 | 비현실적 |
에디터 로딩 중...
핵심 포인트
- • Albumentations는 torchvision보다 더 다양하고 제조 특화 증강 제공
- • 조명 변화 시뮬레이션이 제조 비전에서 가장 효과적인 증강
- • OneOf 블록으로 증강 다양성을 확보하되 결함 소실 방지
- • 증강 강도는 실제 현장 변동 범위 내로 설정해야 한다
AI로 학습하기 — 꿀팁
✅증강 파이프라인 불량 데이터 점검AI 학습 팁
AI에게 제조 불량 탐지용 Albumentations 증강 파이프라인을 리뷰받아 불량 라벨 왜곡·과도한 증강으로 인한 학습 방해를 점검하세요.
이 제조 외관검사 데이터셋 Albumentations 증강 파이프라인을 리뷰해줘. RandomCrop, FlipLR, ColorJitter 등의 조합이 불량 바운딩 박스 라벨을 왜곡하는 케이스, 실제 제조 이미지에 적합하지 않은 증강(예: 과도한 회전으로 방향성 파괴), 클래스 불균형 악화 케이스를 찾아 개선해줘.
이 팁이 도움이 됐나요?