AI

AI API를 선택하지 않은 이유

• OpenAI Vision - 성능은 무난하나 프레임마다 사진을 하나하나 분석해야한다는 점이 있어 요금적인 한계에 부딪히며 직접 데이터를 넣어 커스텀하는데에 어려움이 있었습니다.
• Google Vision - 형식이 적절하지 않아 어려움이 있었습니다. 사진을 제시하면 해당 사진에 나와있는 물건후보들이 제안되며 퍼센티지 형식으로 여러가지가 제안되어 용도가 적절하지 않다는 어려움이 있었습니다.
• 직접 모델을 학습 - 직접 이미지 라벨링 작업을 해야함 / 적절한 모델을 찾아보아야 한다는 단점이 존재하지만 현재 상황에 맞는 이미지를 학습시켜 커스텀한 모델을 만들 수 있다는 점 때문에 선택하였습니다.

AI Model YOLO를 선택한 이유

1. 실시간 탐지 : YOLO는 이미지나 비디오를 한 번의 전방향 패스(foward pass)로 처리하여 객체를 탐지한다는 장점을 가지고 있습니다. 이러한 방식은 빠른 속도로 실시간 객체 탐지를 가능하게한다는 장점을 가지고 있어 실시간 으로 이미지를 처리하는 저희 프로젝트에 적절하다고 생각하였습니다.
2. 다양한 객체 탐지: YOLO는 여러 객체 클래스를 동시에 탐지할 수 있다는 장점을 가지고 있습니다. 하나의 이미지에 여러가지 식재료가 담겨 들어오기 때문에 저희 프로젝트에 적합하다고 생각하였습니다.

Labeling 작업

900여장의 사진을 직접 라벨링하여 학습시켰고 다음과 같이 라벨링 하여 학습시켰습니다.

YOLO Model의 성능

저희 모델은 총 157개의 레이어를 가지며, 총 7039792개의 파라미터를 가지고 있습니다. 이 모델은 15.8 GFLOPs(기지플롭스, Floating Point Operations per Second)의 성능을 갖고 있습니다.

저희 모델의 평가 결과는 다음과 같습니다:

• 전체 클래스에 대한 평균 평가:
  • 정밀도(Precision): 0.981
  • 재현율(Recall): 0.944
  • mAP50: 0.966 (평균 정밀도, 50% IoU 임계값 사용)
  • mAP50-95: 0.772 (평균 정밀도, 50%에서 95%까지의 IoU 임계값 범위)
• 개별 클래스에 대한 성능:
  • 각 클래스마다 정밀도, 재현율, mAP50, mAP50-95가 제공됩니다.
  • 예를 들어, 사과(apple) 클래스는 정밀도가 1, 재현율이 0.976, mAP50가 0.986, mAP50-95가 0.826입니다.