-
프로젝트 제목 : 프로젝트의 간략한 이름 및 설명
-
프로젝트 개요 : 프로젝트에 대한 전반적인 설명(내가 겪은 여려움을 어떻게 해결했는가?)
-
필요한 라이브러리 또는 프로젝트 한계점 설명
-
추후 개선 사항 : 추가로 개선해야 하는 사항에 대한 정리 및 한계점 설명
-
데이터 세트 : 데이터셋에 대한 설명 및 출처
-
모델 설명 : 사용한 머신러닝 / 딥러닝 모델의 종류 및 선택 이유
-
실험 결과 : 모델 평가에 사용된 지표와 결과(표 또는 그래프)
자율주행에서 CV를 통한 대표적 기술
자동차에 장착된 카메라가 교통 신호판 정보를 수집하고 신호의 종류와 위치 등을 인식,
교통 신호 정보를 파악하며, 교통 상황 등을 경보음과 같은 방식으로 운전자에게 정보를 전달하는
정밀함을 달성하기 위해, 자동차는 도로 표시를 이해하고 적절한 결정을 내려야 함.
이 기술의 중요성을 분석하면서 교통 표지판 분류 프로젝트를 시도하였음.
1. 영상의 교통 표지판 객체 탐지
전반적으로 진행한 프로젝트의 모습
2. 프로젝트를 진행하면서 발견한 다양한 문제점
- 한국 교통 표지판의 데이터 셋 부족
- 어렵게 구한 데이터 셋마저 좋은 데이터 셋이라고 판단할 수 없었음(Yolo에서 사용하는 data.yaml 파일 오류)
- 한국 교통 표지판 데이터 셋이 없는 만큼 영상에서 필요한 동적인 객체(표지판)이 부족
3. 발견한 문제점에 대한 해결 방법
https://universe.roboflow.com/project-x9thl/trafficsign2-dtlim
다른 데이터 셋에서 필요한 각 클래스 별 데이터 추출하기
https://universe.roboflow.com/pbl2-nsmxa/pbl2-jtrh3
https://universe.roboflow.com/search?q=right%2520sign%2520left%2520sign&p=1
https://universe.roboflow.com/search?q=korea%2520wheelbarrow%2520sign&p=1
https://universe.roboflow.com/search?q=korea%2520wheelbarrow%2520sign&p=3
로보플로우에서 무료로 제공하는 다양한 데이터 셋을 사용하여 새로운 데이터 셋을 구성함.
- 데이터 셋의 가장 큰 문제인 data.yaml의 클래스 수정(추가, 삭제, 변경)
- 로보플로우에서 다른 한국 교통 표지판의 다양한 데이터 셋에서 각 객체에 필요한 클래스를 추출
- 위 출처에서 부족한 데이터 셋을 구하기 + 데이터 셋의 인스턴스 균형 맞추기
- 3번을 수행한 후 각 클래스의 라벨을 재수정
- 다양한 데이터 셋을 모아 하나의 새로운 데이터 셋 구축
사용한 라이브러리
- Pytorch
- Pandas
- tensorboard
- numpy
- matplotlib
프로젝트를 진행하면서 느낀 한계점
- 한국 교통 표지판 데이터 셋 부족으로 데이터 셋을 원활하고 정교하게 구하고 만드는데 어려움을 느낌
- 데이터의 부족으로 다양한 구조에서 학습을 시키기 어려움을 겪음
- GPU 환경에서 한계점이 있음 (개인 GPU가 없는 상태)
- 약천후 혹은 매우 밝기가 심하거나 어두운 상황에서는 데이터가 부족하여 제대로 탐지하는데 어려움을 겪음
추후 개선 사항
- 직접 더 많은 데이터를 만들 수 있는 상황이라면 더 많은 데이터 추가 및 데이터 증강, 데이터 전처리가 필수적임
- 데이터 추가할 시 -> 영상의 크기, 약천후 데이터, 어두운 환경에서의 데이터 구하기 및 만들기
- 동적인 영상을 사용함으로써 결과에 현실성을 부여함
- 사용자에게 정보를 알리는 서비스를 제공할 수 있게 함.
https://universe.roboflow.com/pbl2-nsmxa/pbl2-jtrh3
https://universe.roboflow.com/search?q=right%2520sign%2520left%2520sign&p=1
https://universe.roboflow.com/search?q=korea%2520wheelbarrow%2520sign&p=1
https://universe.roboflow.com/search?q=korea%2520wheelbarrow%2520sign&p=3
https://universe.roboflow.com/project-x9thl/trafficsign2-dtlim
https://universe.roboflow.com/search?q=korea%20traffic%20sign%20recognition
https://docs.ultralytics.com/ko
Ultralytics Yolov8 실시간 물체 감지 및 이미지 분할 모델의 최신 버전
YOLOv8 는 딥 러닝과 컴퓨터 비전의 최첨단 발전을 기반으로 구축되어 속도와 정확성 측면에서 비교할 수 없는 성능을 제공
소화된 디자인으로 다양한 애플리케이션에 적합하며, 엣지 디바이스에서 클라우드 API에 이르기까지 다양한 하드웨어 플랫폼에 쉽게 적용 가능
Classify, Detect, Segment, Track, Pose 등 물체 객체 탐지 및 인식에 매우 유용한 모델임
Yolov8을 선택한 이유
- Yolov8은 객체 탐지 모델에서 대표적인 모델로 자리잡으면 많은 회사에서 사용하고 있음
- 인공지능에 대해서 많은 지식이 없던 저조차 공부를 하면서 쉽게 사용할 수 있는 구조로 만들어져 있음
- 적은 수의 데이터로 좋은 학습 결과를 내보낸다는 큰 장점이 있음
- 결과 값을 바로 한 눈에 볼 수 있는 구조이며 다양한 파라미터가 존재하여 사용하는 데 어려움없이 간단한 변경으로 결과을 볼 수 있음.