종적으로 학습된 모델을 실제 환경에 배포한다. 이를 위해 모델을 ONNX나 TorchScript 형태로 변환하고, 이를 웹 서비스에 통합할 수 있다. Django는 Python 기반의 웹 프레임워크이므로 PyTorch로 개발된 AI 시스템을 웹에 통합하는 데 적합 하다. Django를 사용하면 웹 사이트의 기본 구조를 빠르게 설계하고, 데이터베이스를 관리하며, 사용자 인터페이스를 만드는 등의 작업을 할 수 있다. 하지만, Django만이 웹 개발에 사용할 수 있는 유일한 프레임워크는 아니다. Django 외에도 Flask, FastAPI 등의 Python 기반 웹 프레임워크도 많이 사용되며, 이러한 프레임워크들도 PyTorch와 잘 호환된다. Django는 비교적 크고 복잡한 웹 애플리케이션에 잘 맞는 ..

모델 튜닝은 모델의 성능을 최대한 향상시키기 위해 사용되는 과정이다. 주로 두가지 방법이 있다. 1. 하이퍼파라미터 튜닝: 모델의 성능을 향상시키기 위해 모델의 하이퍼파라미터를 "미세하게 조정하는" 과정을 의미할 수 있습니다. 이는 위에서 설명한 하이퍼파라미터 튜닝과 동일한 개념입니다. 이 경우, 학습률(learning rate), 에포크 수(epochs), 배치 크기(batch size) 등과 같은 하이퍼파라미터를 조정한다. 2. 전이 학습(Transfer Learning)에서의 Fine-tuning: 이미 학습된 모델(pre-trained model), 특히 딥러닝 모델을 새로운 작업에 맞게 "미세하게 조정하는" 과정을 의미하기도 합니다. 이 경우, 모델의 가중치를 미세하게 조정하여 모델을 새로운 작..

모델 검증 및 테스트는 AI 시스템 구축 과정에서 중요한 단계이다. 이 단계는 모델의 일반화 성능을 확인하고, 모델이 새로운 데이터에 대해 얼마나 잘 작동하는지를 평가하는 데 사용된다. 모델 검증 및 테스트 과정은 일반적으로 다음과 같이 수행된다: 1.검증(Validation): 검증 단계에서는 학습 과정에서 사용하지 않은 별도의 검증 데이터셋을 사용하여 모델의 성능을 평가한다. 이 단계는 모델의 학습 과정에서 반복적으로 수행되며, 각 에포크(epoch) 이후에 모델의 성능을 평가하는 데 사용된다. 검증 데이터셋을 사용하여 모델의 성능을 평가하면, 모델이 학습 데이터에 과적합(overfitting)되지 않았는지 확인할 수 있다. 2.테스트(Testing): 테스트 단계에서는 모델의 최종 성능을 평가하기 ..

사용할 AI 모델을 정의한다. 이는 이미지 및 객체 탐지 모델, 이미지 세분화 모델, 견적 산정 모델 등을 포함한다. PyTorch, TensorFlow 등의 딥러닝 프레임워크를 사용하여 이 모델들을 구현할 수 있다 이미지 분류 및 객체 탐지 모델: CNN, YOLO, Fast R-CNN, Faster R-CNN, EfficientDet 등이 여기에 해당한다. 이러한 모델은 이미지에서 특정 객체나 문제를 탐지하고 분류하는 데 매우 효과적이다. CNN은 이미지 분류에 널리 사용되며, YOLO나 Faster R-CNN과 같은 모델은 실시간 객체 탐지에 적합하다. 본 모델에서는 벽지 오염, 천장 누수, 바닥 타일 문제 등을 인식하기 위해서 YOLO나 Faster R-CNN을 사용하기로 한다. 이미지 세분화 모..

모델 학습을 위해 데이터를 적절한 형태로 변환해야 한다. 이미지 데이터의 경우 일반적으로 정규화(normalization), 크기 조정(resizing), 증강(augmentation) 등의 전처리 과정을 거칩니다. 또한, 데이터를 학습 데이터와 검증 데이터로 분할하는 것이 일반적이다. > 에지검출: Canny, Sobel, Roberts 알고리즘을 사용하여 엣지 검출. 픽셀 값의 변화율을 계산하고, 경계선에서 변화율이 큰 영역을 찾아낸다. * 이미지 정규화: * 데이터 증강 - 이미지회전,반전,이미지확대/출소 ​ OpenCV를 이용하여 간단하게 이미지를 전처리 하는 스크립트 예제

각종 인테리어 공사, 하자, 누수, 파손, 화재 등의 사진정보를 수집( 수천 ~ 수백만) 필요하다. 이렇게 수집된 사진에 라벨링 작업을 수행한다. 라벨링 작업은 건물의 종류와 상세 정보를 포함하는 계층적인 라벨링은 특정 유형의 보수 작업이나 비용과 연관된 패턴을 학습하는데 필요하다. 예를 들어, 아파트와 일반주택의 인테리어 보수 비용이나 필요한 자재가 다를 수 있으며, 건물의 크기, 층, 방 수 등에 따라 보수 작업의 복잡성이나 비용이 달라질 수 있다. 또한, 특정 지역의 노동 비용이 다른 지역과 다를 수 있으므로 지역 주소 정보도 중요하다. 이러한 상세 정보는 AI 시스템이 더욱 정확한 견적을 산출하는 데 도움을 준다. 그러나 이러한 추가 정보를 수집하고 라벨링하는 것은 더 많은 시간과 노력을 요구된다..

물류 풀필먼트 센터에서 댜양한 채널을 통한 B2C의 물동량은 지속적으로 증가되고 있고, 물동량 증가에 따른 업무속도 및 피킹 및 포장에 대한 작업 생산성 증가가 그 어느 때 보다 필요한 시점이다. 물동량 증가에 따른 첨단 설비 도입이 필요하다. 자동화 로봇이 아니더래도 PAS,DAS,DPS,Sorter 등 자동화 설비의 도입을 적극 검토하고 있지만, 고가의 비용 이슈 뿐만아니라 물류센터의 형태, 크기, 취급 품목 등에 따라 설비도입이 어려운 경우가 많아 그 고민이 깊어지고 있다. 따라서 대부분의 B2C를 취급하는 물류센터 에서는 물동량 증가에 따라 작업자를 비례하여 증가 시킬 수 밖에 없는데, 물동량 변동에 따라 원하는 수만큼의 작업자 수급이 어려울 뿐더러, 작업자의 숙련도 차이로 투입한 작업자 수 만큼..

G-WOS는 Warehouse Optimization Solution으로 물류센터를 위한 Simulator mode와 WMS 데이터와 연동되어 실시간 센터의 작업현황을 모니터랑 할 수 있는 Real-Time mode 두 가지를 제공합니다. 첫째, 물류센터 건축을 위한 설계단계 부터 물류센터 운영까지 최적의 물류센터 운영을 위해서 사전 시뮬레이션이 필수 요소가 되고 있습니다. 사전에 물류센터를 건축했을때 다양한 고려사항이 있다. 건축물의 크기, 소방시설을 위한 방화벽, 2, 3층과 엘리베이터 위치, 사무실 위치, 메자닌 설계, 도크 위치, 높이, 수량 등 모두 물류센터 효율화에 직결되는 내용입니다. 또한 도입되는 설비에 따라서 설비도입에 따른 업무 효과를 설비 도입 전 사전 시뮬레이션하여 고가의 설비를 도..