먼저 큰 그림부터

1장에서 과일 검사원 두 명을 만났습니다. 규칙대로 재는 검사원(영상처리)과 경험으로 알아보는 검사원(딥러닝)입니다. 그때 두 사람은 한 팀이라고 했습니다. 앞사람이 사과를 닦아 줄을 세우면 뒷사람이 더 정확하게 판단합니다. 이 장에서는 드디어 두 검사원을 함께 일하게 합니다. 경험 많은 검사원을 우리 공장의 부품에 맞게 조금 더 가르치고, 닦아 준 사진과 닦지 않은 사진에서 얼마나 잘 찾는지 숫자로 잽니다.

이 장에서는 세 가지를 챙겨 갑니다. 첫째, ultralytics 패키지로 미리 배운 YOLO 모델을 불러와 사진 속 물체를 찾고, 17장에서 만든 부품 데이터셋 out_ch17_yolo/ 로 그 모델을 조금 더 가르치는 법입니다. 둘째, 모델이 찾은 상자를 정답 상자와 견줘 맞혔는지 재는 법입니다. 겹친 정도(IoU)를 손으로 계산하고, 11장의 정밀도와 재현율로 점수를 냅니다. 셋째, 어둡거나 잡음 낀 사진에서 점수가 얼마나 떨어지는지, 5장부터 7장까지 배운 OpenCV 손질로 얼마나 되살아나는지 같은 조건에서 견주는 법입니다. 신경망이 안에서 어떻게 계산하는지는 이 과정의 범위 밖이라 다루지 않습니다. 모델은 "사진을 넣으면 상자를 돌려주는 상자"로 보고, 넣는 사진과 나오는 결과를 다루는 데 집중합니다. 실습 그림은 모두 17장에서 OpenCV 로 그린 가상의 부품 그림과 1장의 과일 진열대 그림입니다.