프로젝트 개요

데이터셋 수집 및 전처리

• YOLOv8 Transfer-Learning 진행을 위한 데이터 수집 및 전처리
• 상품 식별이 어려운 이미지에 대해서는 라벨링 제외

• 데이터 증강(Augmentation)을 통한 학습 데이터 확장
• 적용 이유 : 적은 데이터셋으로 학습 하였을 때 성능이 좋지 않음
• 139장 → 418장

상품명 인식(Downstream task)

• 객체 인식 후 상품을 확인하기 위해 영상처리 사용
• 다양한 Feature Detector + Matcher 조합 실험 진행

• 실험 진행 결과 SURF+BFMatcher, SURF+FLANNMatcher의 조합이 가장 성능이 높음
• 아래의 표는 객체 인식 결과가 데이터베이스(DB)와 얼마나 일치하는지를 정확도(Accuracy) 기준으로 평가한 표

결론

• 데이터 수집 시 고려해야 할 다양한 요소들에 대해 사전에 계획을 세우는 것의 중요성 파악
• 데이터의 다양성과 일반화 성능을 확보하기 위한 데이터 증강 기법 학습
• 영상 처리 과정에서의 특징점 추출(Feature Detector) 및 매칭(Matcher) 알고리즘의 원리와 활용 방법에 대해 학습

Paper

(KCI) J. Si, D. Kim, S. Kim, “Automation of Online to Offline Stores: Extremely Small Depth-Yolov8 and Feature-Based Product Recognition”, The Journal of Korea Institute of Information, Electronics, and Communication Technology, Vol.17, No.3, pp.121-129, Jun. 2024.