▶️25분
[영상] 딥러닝 비전검사 — 제조 현장 적용
Day 5: 실전 프로젝트 — 불량 판별 검사 시스템
[영상] 딥러닝 비전검사 — 제조 현장 적용
비전 AI — 제조 외관검사 시스템 > Day 5: 실전 프로젝트 — 불량 판별 검사 시스템
학습 목표
제조 현장에 딥러닝 비전 검사 시스템을 배포하는 전체 아키텍처를 설계할 수 있다 엣지 배포와 클라우드 추론의 장단점을 비교할 수 있다 ONNX 변환과 TensorRT 최적화가 추론 속도에 미치는 영향을 설명할 수 있다 불량 판별 시스템의 KPI를 운영 대시보드 관점에서 정의할 수 있다
영상 핵심 정리 — 딥러닝 비전검사 제조 적용
배포 아키텍처
[라인 카메라]
↓ (GigE / USB3)
[엣지 서버 (Jetson / RTX PC)]
├─ OpenCV 전처리
├─ YOLOv8-TensorRT 추론 (4–6ms)
├─ 결과 DB 저장
└─ 불량 감지 → PLC → 컨베이어 정지
↓
[클라우드 (선택)]
├─ 일별 배치 리포트
├─ Data Drift 모니터링
└─ 재학습 파이프라인 (MLflow)엣지 vs 클라우드
| 항목 | 엣지 | 클라우드 |
|---|---|---|
| 지연시간 | 4~15ms | 100ms+ |
| 오프라인 | 가능 | 불가 |
| 초기 비용 | 높음 | 낮음 |
| 운영 비용 | 낮음 | 사용량 비례 |
| 추천 | 실시간 라인 | 야간 배치 분석 |
모델 최적화
# YOLOv8 → ONNX
from ultralytics import YOLO
model = YOLO('best.pt')
model.export(format='onnx', opset=12)
# TensorRT (NVIDIA GPU)
model.export(format='engine', half=True) # FP16
# → 2~4x 속도 향상운영 KPI
| KPI | 목표 | 주기 |
|---|---|---|
| 불량 탐지율 (Recall) | ≥ 99% | 실시간 |
| 오탐률 (FPR) | ≤ 2% | 일별 |
| 추론 처리량 | ≥ 10 fps | 실시간 |
| 모델 가용성 | ≥ 99.9% | 월별 |
| Data Drift 점수 | ≤ 0.05 | 주별 |
함정 주의: 배포 후 관리 없으면 2~3개월 내 성능이 조용히 저하. 조명 교체, 제품 스펙 변경, 계절 온도 변화가 모두 입력 분포를 바꾼다. Data Drift 모니터링과 재학습 스케줄을 처음부터 포함.
다음 task와의 연결
다음 project는 불량 판별 검사 시스템 주간 프로젝트다. 오늘 아키텍처를 직접 구현한다.
AI로 학습하기 — 꿀팁
🤖YOLOv8 TensorRT 변환 배포 코드 생성AI 학습 팁
AI 에이전트에게 제조 현장 엣지 서버에 YOLOv8 모델을 ONNX → TensorRT로 변환 배포하는 코드를 작성하게 하고, Data Drift 감지 및 오프라인 동작 방안을 검토하세요.
제조 현장 엣지 서버에 YOLOv8 불량 탐지 모델을 ONNX → TensorRT로 변환해 2~4배 속도를 높이는 코드를 작성해줘. 레이턴시·신뢰성·오프라인 동작을 클라우드 성능보다 우선해야 하는 이유, 입력 이미지 분포 변화(Data Drift)로 인한 성능 저하를 감지하는 모니터링 로직도 포함해줘.
이 팁이 도움이 됐나요?
핵심 포인트
- • 제조 현장 배포는 레이턴시·신뢰성·오프라인 동작이 클라우드 성능보다 우선
- • YOLOv8 → ONNX → TensorRT 변환으로 동일 하드웨어 2~4배 속도
- • Data Drift(입력 분포 변화)는 성능 저하 주요 원인
- • Human-in-the-loop: 불확실성 높은 샘플은 사람 리뷰 → 재학습 데이터