27분
실시간/배치 추론 파이프라인 구성
Day 3: YOLO 객체 탐지
실시간/배치 추론 파이프라인 구성
비전 AI 외관검사 > Day 3: YOLO 객체 탐지
학습 목표
- 단일 이미지와 배치 이미지 추론 파이프라인을 구현할 수 있다
- 추론 결과를 시각화하고 리포트로 저장할 수 있다
- 추론 속도를 측정하고 최적화 방안을 이해한다
추론 파이프라인
앞 과제에서 학습한 가중치(runs/detect/defect_detection/weights/best.pt)를
실제 검사 흐름에 얹는다. COCO 사전학습 모델(yolo11n.pt)을 그대로 쓰면
우리 결함 클래스가 없어 검출이 0 이 되고, detections 가 비었다는 이유로
모든 제품이 OK 로 나간다. 검사 코드에서 가장 위험한 형태의 통과다.
[추론 파이프라인]
이미지 입력
↓
전처리 (리사이즈, 정규화)
↓
YOLO 추론
↓
후처리 (NMS, 신뢰도 필터)
↓
결과 시각화 + 리포트에디터 로딩 중...
핵심 포인트
- • 추론 파이프라인은 클래스로 구조화하여 재사용성 확보
- • 단일 검사와 배치 검사를 모두 지원해야 한다
- • 검사 결과를 JSON 리포트로 저장하여 추적성 확보
- • 추론 시간의 상한은 택트타임에서 나온다. '50ms 이하'처럼 외운 숫자가 아니라 라인 속도와 시야로 계산한다
AI로 학습하기 — 꿀팁
배치 추론 파이프라인 생성AI 학습 팁
AI에게 제조 라인 실시간·배치 추론 파이프라인을 생성하도록 요청하세요. 카메라 스트림 처리와 배치 폴더 처리를 함께 지원하는 구조로 받으세요.
제조 라인 외관검사용 YOLO 추론 파이프라인을 구현해줘. OpenCV VideoCapture로 카메라 스트림을 처리하는 실시간 모드와, 이미지 폴더를 배치 처리하는 오프라인 모드를 하나의 InspectionPipeline 클래스에서 지원하도록 하고, 탐지 결과를 타임스탬프 포함 JSON으로 저장하는 기능을 포함해줘.
이 팁이 도움이 됐나요?