이미지 올리기
데이터가 서버에 이미 있으면 이쪽이 훨씬 빠릅니다 — 브라우저를
거치지 않고 제자리에서 연결합니다(351장 1초). 기본은 심볼릭 링크라 디스크를 쓰지 않고
원본도 건드리지 않습니다. 원본이 곧 사라질 매체(USB 등)면 복사 를 체크하세요.
폴더를 가져오면 그 종류의 기존 이미지는 바뀝니다. 두 폴더를 합치려면
기존에 합치기 를 체크하세요 — 안 그러면 앞서 넣은 다른 품종이 남아 섞입니다
(실제로 jb 학습에 bb 불량 83장이 섞여 실행을 버린 일이 있습니다).
내 PC 의 이미지는 위쪽 끌어다 놓기를 쓰십시오 — 그쪽은 나눠서 올라갑니다.
부품 태그 후보 (논리부에만 필요)
양품에 RAM++ 를 돌려 태그를 모으고, GroundingDINO 로 실제 박스를 재서 쓸모 있는 것을 가려냅니다.
분할 미리보기
품종 ID 를 적으면 프로파일이 아래 값을 채웁니다. 학습 탭과 같은 값이어야 여기서 본 것이 학습 결과와 같습니다.
올려 둔 양품 이미지로 그립니다 — 0장 중 앞에서 표본만큼.
여기서 정한 값은 그대로 학습에 넘어갑니다 — 미리보기와 학습이 다른 설정으로 돌면 눈으로 확인한 의미가 없습니다.
학습
품종 ID 를 적으면 프로파일이 아래 값을 채웁니다. 검증된 5품종은 확정 인자가, 새 품종은 기본값이 들어옵니다.
불량 0장 올려져 있습니다.
8장 이상이면 그것으로 체크포인트를 고릅니다
(실측 breakfast_box both 86.56 → 90.91). 없으면 마지막 에폭을 씁니다
(양품만으로 고르는 방식은 실측에서 무작위보다 나빴습니다: 5품종 평균 72 vs 76).
1 이미지 탭에서 "불량" 으로 올리세요.
분할 파라미터 — 프로파일이 채웠습니다. 바꾸면 그 값이 이깁니다
실측: 품종마다 이기는 쪽이 다릅니다 —
breakfast_box·pushpins 는 true, juice_bottle 은 false.
"항상 정밀이 낫다" 는 성립하지 않았습니다. 프로파일 값을 따르되, 새 품종이면
3 미리보기에서 두 값을 비교하세요.
빈 값은 "설정 안 함" 이 아니라 "빼지 말라" 입니다 — 검증된 5품종 전부 이 조건에서 나온 값입니다. 트레이·봉투가 부품으로 섞여 개수 판정이 흐려질 때만 나머지를 고르세요. 이름은 2 프롬프트 탭의 태그 안에 있어야 매칭됩니다(없으면 기하 판정이 구제합니다).
검증된 5품종의 정확도는 자동 추출 프롬프트로 얻은 값입니다. 저자가 손으로 쓴 프롬프트는 쓰지 않습니다 — 현장의 새 품종에는 그런 것이 없습니다. 태그를 다듬으려면 2 프롬프트 탭에서 후보를 보고 고르세요.
시드는 재현용이지 정확도용이 아닙니다 — 같은 시드라도 세그멘터 최종 에폭은 ±7 흔들립니다(bb 실측 91.08 / 83.75). 그래서 불량으로 체크포인트를 고르는 것이 중요합니다.
임계값 — 양품 몇 장이 걸리나
번들을 열면 검증 양품의 분기별 원점수를 받아 브라우저에서 계산합니다. 슬라이더는 서버를 부르지 않습니다.
막대는 검증 양품의 점수 분포, 세로선이 지금 임계값입니다. 오른쪽에 있는 것이 NG 로 걸립니다.
모드별 비교 — 고르지 말고 보고 확인하세요
| 모드 | 분기 | σ=1 | σ=2 | σ=3 | 오검출0 σ |
|---|
칸의 숫자는 걸리는 양품 장 수입니다. 줄을 누르면 그 모드로 바뀝니다.
⚠ 모드 이름은 파이프라인의 이름이지 결함 종류가 아닙니다 —
juice_bottle 에서 논리 이상을 가장 잘 잡은 것은 maha 였습니다.
이미지 한 장 검사
번들 내보내기
가중치·메타·임계값·검증 원점수를 .afz 한 개로 묶습니다.
학습 캐시는 안 들어갑니다 — 이 파일만 옮기면 됩니다.