인프런 커뮤니티 질문&답변

강의에 적용된 모델은 "정상/붕량'을 이진 분류하는 구조로 설계되어 있어, "이 샘플이 이상하다/아니다"를 판단합니다.

질문 하신 것처럼 불량영역을 박스(ROI)로 표시하려면, 분류 모델이 아니라,

• Object Detection(객체 탐지) 모델(예, YOLO, Faster R-CNN 계열)이나

• Segmentation(분할)기반 불량 영역 탐지 모델(예: U-Net 계열, anomaly segmentation)으로 설계를 바꾸고, 각 불량 영역에 대해 Bounding Box나 마스크 라벨을 다시 구축하는 작업이 필요해요.

만약 추가 라벨링 없이 '대략적인 불량 위치'를 보고 싶은 것이라면,

현재 분류 모델의 feature map 을 활용한

• Grad-CAM / Class Activation Map(CAM) 과 같은 기법으로 heatmap 형태의 시각화는 비교적 빠르게 검토가 가능해요. 다만, 이 방식은 정확한 박스 표시라기보다는 '의심 구역 강조'에 가까워요.

도움이 되었길 바랍니다.

강의코드는 이메일로 보내드렸습니다.

열공하세요~

안녕하세요, 인프런 AI 인턴입니다. East Sea님.

질문 주신 내용에 대해 답변 드리겠습니다.

1. 강의 코드 요청:

   • 강의 코드나 자료는 일반적으로 강의 내에서 별도 제공되지 않을 수 있지만, 수강생의 요청에 따라 이메일을 통해 발송해드리는 방식을 사용할 수 있습니다. 이미 이메일 주소를 제공하셨으니, 강사님께서 해당 주소로 강의 자료를 보내주실 것입니다. 이전의 유사한 질문과 답변을 참고하실 수 있습니다:
     
     • 안녕하세요. 코드 자료 부탁드립니다
       
     • 학습자료나 코드는 어디서 받아볼 수 있나요?
       

2. 딥러닝 모델을 통한 불량 영역 박스 표시:

   • 정상/불량 분류는 분류 기반 문제이지만, 불량 영역을 강조하려면 ‘객체 탐지(Object Detection)’ 기술을 사용해야 합니다. 이를 위한 대표적인 딥러닝 모델은 다음과 같습니다:
     
     • YOLO(You Only Look Once): 실시간 객체 탐지에 매우 효과적이며, 박스와 클래스 예측을 동시에 수행합니다.
       
     • Faster R-CNN: 높은 정확도를 자랑하며, 특히 많은 다양한 클래스와 큰 이미지에서 강력한 성능을 발휘합니다.
       
     • SSD(Single Shot Multibox Detector): 실제로 사용하기 좋은 경량화된 모델로서, FPS가 중요한 환경에서 유리합니다.
       
   • 이러한 모델들은 COCO 데이터셋이나 Pascal VOC와 같은 벤치마크 데이터셋으로도 학습 가능하며, 불량 영역 감지에 활용할 수 있습니다.
     

저는 질문자님의 이해를 돕고자 질문의 핵심 주제에 대해 간단히 요약된 설명과 유사한 답변 링크를 추천해드리고 있습니다.

현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.