Day 3: YOLO 객체 탐지
비전 AI — 제조 외관검사 시스템 > Day 3: YOLO 객체 탐지
YOLO11 학습의 핵심 하이퍼파라미터를 이해한다 하이퍼파라미터 조합 실험을 체계적으로 수행할 수 있다 제조 데이터에 맞는 증강 설정을 조정할 수 있다
| 파라미터 | 기본값 | 범위 | 설명 |
|---|---|---|---|
| epochs | 100 | 50~300 | 학습 반복 횟수 |
| lr0 | 0.01 | 0.001~0.1 | 초기 학습률 |
| batch | 16 | 8~64 | 배치 크기 |
| imgsz | 640 | 416~1280 | 입력 이미지 크기 |
| mosaic | 1.0 | 0~1 | 모자이크 증강 확률 |
| hsv_h | 0.015 | 0~0.1 | 색상(Hue) 변화 |
| flipud | 0.5 | 0~1 | 상하 반전 확률 |
AI에게 제조 불량 탐지 YOLO 학습에서 lr·epochs·augmentation 조합의 선택 기준을 질문해 실험 설계를 개선하세요.
제조 PCB 표면 불량 탐지 YOLO11 학습에서 초기 학습률, warmup epochs, 모자이크 증강 비활성화 여부 결정 기준을 설명해줘. 불량 샘플이 전체 이미지의 5% 미만인 상황에서 학습률 스케줄러(cosine vs linear) 선택과 early stopping patience 값 설정 근거도 알려줘.