[AI 부트캠프] DAY 133 - 파이널 프로젝트 24

[오늘의 일지]

프로젝트 - 결과 이미지 분석

[상세 내용]

결과 이미지 분석

- 오늘은 이미지의 바운딩 박스와 IOU값을 통해서 정말로 예측이 잘 되고 있는지를 파악해 보고 나중에 학습한 데이터를 데모 페이지를 만들거나 예측 서비스를 만들 때 써도 되는지 유무를 판단해 보도록 하겠습니다.

 

학습 결과 데이터

- 결과 데이터는 지난번에 비교한 320 사이즈의 데이터가 아닌 640 사이즈 데이터를 이용하겠습니다. 몇 번의 학습을 통해서 확인한 결과 이미지의 사이즈가 원래 이미지 보다 작아지면 생각보다 인식이 잘 안 되는 경우도 많았고 640으로 했을 때 320 보다 더 좋은 결과를 얻어서 변경하게 되었습니다.

 

바운딩 박스 결과 확인

- IOU 값이 0.5나 0.6 정도만 나와도 거의 제대로 detection을 하고 있는 것을 확인했습니다.

 

- 결과 에시 1

기준 바운딩 박스

 

예측 결과

 

- 결과 예시 2

기존 바운딩 박스

 

예측 결과

 

인사이트

- 이번 결과를 통해서 얻은 느낀 점은 결국 기준이 되는 바운딩 박스도 사람을 통해서 만들어진다는 것입니다. 위의 결과를 보면 알 수 있듯이 사람이 지정해 준 바운딩 박스보다 학습 모델이 예측한 바운딩 박스가 더 정확한 위치를 찾아냈다는 것을 알 수 있습니다. 즉 IOU 값이나 mAP 평가지표가 무조건적으로 결정적인 지표로 작용할 수 없다는 점을 알게 되었고 기준 지표값이 높지 않더라도 적정선에서 새로운 기준점을 잡아준다면 유용하게 활용이 가능할 것이라고 판단했습니다.

 

[마무리]

 오늘은 학습 결과의 이미지를 분석해 보았습니다. 학습 모델이 생각보다 더 정확도가 높아서 만약 시간이 더 많았다면 모델이 예측한 바운딩 박스를 새로운 기준점으로 비교하면서 변경해 주는 것도 괜찮은 데이터 구축 방법이라고 생각도 들었습니다. 다만 데이터가 많아서 그렇게 할 수 없다는 것이 아쉬움이 조금 남았던 거 같습니다.