AI 공통 설정

1 개요

모든 Model에 대해 공통적으로 설정하는 기능들에 대한 설명입니다.

AI 공통 설정

2 필수 옵션

2.1 Image 설정

2.1.1 개요

딥러닝에 사용할 이미지를 설정합니다.
1. Validation Image 미 설정 시 Validation 없이 동작합니다.
2. Inference Result 이미지를 설정하여야 해당 이미지에서 추론 결과를 얻을 수 있습니다.

2.1.2 API

Learn Image 설정
- SetLearningImage(const Base::CFLImage&)
- SetLearningImage(const Base::CFLImage*)
Validation Image 설정
- SetLearningValidationImage(const Base::CFLImage&)
- SetLearningValidationImage(const Base::CFLImage*)
Inference Image 설정
- SetInferenceImage(const Base::CFLImage&)
- SetInferenceImage(const Base::CFLImage*)
Inference Result Image 설정
- SetInferenceResultImage(Base::CFLImage&)
- SetInferenceResultImage(Base::CFLImage*)
Inference ROI 관련 설정
1. Inference ROI 설정
  - SetInferenceROI(const Foundation::CFLFigure&, bool)
  - SetInferenceROI(const Foundation::CFLFigure*, bool)
2. Inference ROI Mode 설정
  - SetInferenceROIMode(EInferenceROIMode)
    - EInferenceROIMode_Region: 전체 결과 중 지정한 영역과 겹치는 결과 Figure 만 출력합니다.
    - EInferenceROIMode_Crop: Inference 이미지를 지정한 영역으로 잘라내어 추론을 진행합니다.
3. Inference ROI IOU Threshold 설정
  - SetInferenceROIRegionIoUThreshold(float)
    - Region Mode 로 설정 시 적용됩니다.
4. Inference ROI 사용 가능 모델

2.1.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;
CFLImage fliLearnImage;
CFLImage fliValidationImage;
CFLImage fliInferenceImage;
CFLImage fliInferenceResultImage;
CFLRect<double> flrInferenceROI;

fliLearnImage.Load(L"Learn.flif");
fliValidationImage.Load(L"Validation.flif");
fliInferenceImage.Load(L"Inference.flif");
flrInferenceROI.Load(L"ROI.fig");

// fliInferenceResultImage 는 결과를 받아오는 이미지 객체
semanticSegmentationDL.SetLearningImage(fliLearnImage);
semanticSegmentationDL.SetLearningValidationImage(fliValidationImage);
semanticSegmentationDL.SetInferenceImage(fliInferenceImage);
semanticSegmentationDL.SetInferenceResultImage(fliInferenceResultImage);
semanticSegmentationDL.SetInferenceROI(flrInferenceROI);

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();
CFLImage fliLearnImage = new CFLImage();
CFLImage fliValidationImage = new CFLImage();
CFLImage fliInferenceImage = new CFLImage();
CFLImage fliInferenceResultImage = new CFLImage();
CFLFigure flfInferenceROI = new CFLRect<double>();

fliLearnImage.Load("Learn.flif");
fliValidationImage.Load("Validation.flif");
fliInferenceImage.Load("Inference.flif");
flfInferenceROI.Load("ROI.fig");

// fliInferenceResultImage 는 결과를 받아오는 이미지 객체
semanticSegmentationDL.SetLearningImage(ref fliLearnImage);
semanticSegmentationDL.SetLearningValidationImage(ref fliValidationImage);
semanticSegmentationDL.SetInferenceImage(ref fliInferenceImage);
semanticSegmentationDL.SetInferenceResultImage(ref fliInferenceResultImage);
semanticSegmentationDL.SetInferenceROI(ref flfInferenceROI);

semanticSegmentationDL = CSemanticSegmentationDL()
fliLearnImage = CFLImage()
fliValidationImage = CFLImage()
fliInferenceImage = CFLImage()
fliInferenceResultImage = CFLImage()
flfInferenceROI = CFLRect[Double]()

fliLearnImage.Load("Learn.flif")
fliValidationImage.Load("Validation.flif")
fliInferenceImage.Load("Inference.flif")
flfInferenceROI.Load("ROI.fig")

# fliInferenceResultImage 는 결과를 받아오는 이미지 객체
semanticSegmentationDL.SetLearningImage(fliLearnImage)
semanticSegmentationDL.SetLearningValidationImage(fliValidationImage)
semanticSegmentationDL.SetInferenceImage(fliInferenceImage)
semanticSegmentationDL.SetInferenceResultImage(fliInferenceResultImage)
semanticSegmentationDL.SetInferenceROI(flfInferenceROI)

2.1.4 GUI에서 설정 방법

학습/검증/추론할 이미지를 Image View에 로드합니다.

각 동작에 사용할 이미지가 있는 뷰를 선택합니다. 또는 학습/검증 이미지는 Load Image With Path 옵션으로 해당 이미지가 있는 경로를 지정하여 설정할 수 있습니다.

Inference Image 카테고리에서 Inference ROI 관련 옵션을 설정할 수 있습니다. Region 모드일 경우 IOU Threshold 옵션을 설정할 수 있습니다.

2.2 Optimizer 설정

2.2.1 개요

학습에 사용할 Optimizer를 선택합니다.
1. 다양한 Optimizer를 지원하며, 기본값은 Adam Optimizer를 사용합니다.
2. 별도의 설정을 하지 않더라도 기본값으로 사용 가능합니다.
OptimizerSpec 클래스를 통해 파라미터를 설정합니다.
1. Learning Rate 및 Optimizer 종류에 따라 Beta 값 등을 설정합니다.
2. Spec 클래스는 Optimizer의 종류마다 개별적으로 구현되어 있습니다.
  1. Gradient Descent
  2. Stochastic Gradient Descent
  3. Ada Gradient Descent
  4. Momentum Gradient Descent
  5. RMS Prop Gradient Descent
  6. Adam Gradient Descent
  7. Ada Belief Gradient Descent
Gradient Clipping 적용 여부를 선택합니다.
1. 모델에 따라 학습을 진행하면 미분값이 매우 커지거나, 작아지는 가능성이 존재합니다.
2. Gradient clipping은 이러한 현상을 방지하기 위해 gradient가 일정 threshold를 넘어가면 gradient의 크기를 재조정합니다.

2.2.2 API

SetLearningOptimizerSpec(const COptimizerSpecBase&)
SetLearningOptimizerSpec(const COptimizerSpecBase*)

2.2.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

// 일반적으로 설정할 필요 없음
COptimizerSpecAdamGradientDescent optSpec;

optSpec.SetLearningRate(1e-3f);
optSpec.SetBeta1(0.99f);
optSpec.EnableAutoSubdivision(false);
semanticSegmentationDL.EnableLearningGradientClipping(true);
semanticSegmentationDL.SetLearningGradientClippingThreshold(20.f);
semanticSegmentationDL.SetLearningOptimizerSpec(optSpec);

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

// 일반적으로 설정할 필요 없음
COptimizerSpecAdamGradientDescent optSpec = new COptimizerSpecAdamGradientDescent();

optSpec.SetLearningRate(1e-3f);
optSpec.SetBeta1(0.99f);
optSpec.EnableAutoSubdivision(false);
semanticSegmentationDL.EnableLearningGradientClipping(true);
semanticSegmentationDL.SetLearningGradientClippingThreshold(20.0f);
semanticSegmentationDL.SetLearningOptimizerSpec(optSpec);

semanticSegmentationDL = CSemanticSegmentationDL()

# 일반적으로 설정할 필요 없음
optSpec = COptimizerSpecAdamGradientDescent()

optSpec.SetLearningRate(1e-3)
optSpec.SetBeta1(0.99)
optSpec.EnableAutoSubdivision(False)
semanticSegmentationDL.EnableLearningGradientClipping(True)
semanticSegmentationDL.SetLearningGradientClippingThreshold(20.0)
semanticSegmentationDL.SetLearningOptimizerSpec(optSpec)

2.2.4 GUI에서 설정 방법

Optimizer parameter setting — Fig. Optimizer 관련 세부 parameter 설정

2.3 Learning 정보 설정

2.3.1 Learning Epoch 설정

2.3.1.1 개요

학습을 반복할 횟수를 설정합니다.

2.3.1.2 API

SetLearningEpoch(int32_t)

2.3.1.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

semanticSegmentationDL.SetLearningEpoch(10000);

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

semanticSegmentationDL.SetLearningEpoch(10000);

semanticSegmentationDL = CSemanticSegmentationDL()

semanticSegmentationDL.SetLearningEpoch(10000)

2.3.1.4 GUI에서 설정 방법

2.3.2 Validation Step 설정

2.3.2.1 개요

학습 중 특정 Epoch 마다 Validation을 진행하도록 설정합니다.
1. 기본값은 1이며, 매 Epoch 마다 Validation합니다.
2. 0인 경우 Validation을 하지 않습니다.
3. 1보다 큰 경우 설정한 Epoch 단위 마다 Validation을 진행하며, 마지막 Epoch에는 항상 Validation 합니다.

2.3.2.2 API

SetLearningValidationStep(int32_t)

2.3.2.3 예제 코드

CFLImage fliValidationImage;
CSemanticSegmentationDL semanticSegmentationDL;

fliValidationImage.Load(L"Validation.flif");
semanticSegmentationDL.SetLearningValidationImage(fliValidationImage);
semanticSegmentationDL.SetLearningValidationStep(3);

CFLImage fliValidationImage = new CFLImage();
CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

fliValidationImage.Load("Validation.flif");
semanticSegmentationDL.SetLearningValidationImage(ref fliValidationImage);
semanticSegmentationDL.SetLearningValidationStep(3);

fliValidationImage = CFLImage()
semanticSegmentationDL = CSemanticSegmentationDL()

fliValidationImage.Load("Validation.flif")
semanticSegmentationDL.SetLearningValidationImage(fliValidationImage)
semanticSegmentationDL.SetLearningValidationStep(3)

2.3.2.4 GUI에서 설정 방법

Validation Step setting — Fig. Validation Step 설정

2.4 Augmentation 설정

2.4.1 개요

학습 이미지를 다양한 방법으로 증강시켜, 학습 dataset의 규모를 늘리는 기법입니다. Augmentation을 사용하여 overfitting을 줄일 수 있습니다.
- 기본값은 설정되어 있지 않습니다.
- 특정 Augmentation 기법은 모델에 따라 사용이 제한되어 있습니다.
기본적으로 Enable~ 함수로 각각의 Augmentation 기법들을 활성화할 수 있습니다.
추가적인 Parameter가 필요한 기법들은 Set~Param 함수를 사용하여 Augmentation에 필요한 값들을 설정합니다.

2.4.2 API

Common Parameter 관련
- EnableAugmentation(bool) : true가 기본값이며, false로 설정 시 모든 옵션 비활성화됩니다.
- SetCommonActivationRate(double) : 설정한 비율만큼 Augmentation 동작을 활성화합니다.
- SetCommonIoUThreshold(double) : Rotation, CutMix와 같이 Label Figure의 넓이가 연산 후 너무 많이 제거된 경우 설정한 Threshold 비율로 제거합니다. Augmentation IoU Threshold는 Augmentation으로 인해 라벨링된 부분이 짤릴 경우 라벨링을 보존 여부를 정하는 임곗 값입니다. 0.0 ~ 1.0의 범위를 가지며 0.8을 설정할 경우 원래의 영역의 80%가 넘게 남아있지 않은 경우 라벨을 제거합니다.
- SetCommonInterpolationMethod(ImageProcessing::EInterpolationMethod) : Rotation, Scale, Perspective과 같은 Augmentation 기법에서 사용할 Interpolation 방법을 설정합니다.
각각의 Augmentation 방식 관련
1. Mix Method
  - EnableMixMethod(bool)
  - SetMixMethodParam(EMixMethod eMixMethod = EMixMethod_None, double f64MixActivationRate = 1.)
    - eMixMethod : 사용할 Mix 방식
    - f64MixActivationRate : 전체 데이터에 대해 Mix 방식을 적용하는 데이터의 비율
  1. MixUp
    - SetMixUpParam(double f64MinMixUpBlendRatio = 4., double f64MaxMixUpBlendRatio = .6)
      - f64MinMixUpBlendRatio : MixUp 최소 Blend 비율
      - f64MaxMixUpBlendRatio : MixUp 최대 Blend 비율
  2. Mosaic
    - 별도의 Parameter 설정이 없음
  3. CutMix
    - SetCutMixParam(double f64MinCutMixRatioX = 0.1, double f64MaxCutMixRatioX = .4, double f64MinCutMixRatioY = 0.1, double f64MaxCutMixRatioY = .4, double f64MinCutMixBlendRatio = 0., double f64MaxCutMixBlendRatio = .0)
      - f64MinCutMixRatioX : X방향으로의 CutMix 최소 비율
      - f64MaxCutMixRatioX : X방향으로의 CutMix 최대 비율
      - f64MinCutMixRatioY : Y방향으로의 CutMix 최소 비율
      - f64MaxCutMixRatioY : Y방향으로의 CutMix 최대 비율
      - f64MinCutMixBlendRatio : CutMix 최소 Blend 비율
      - f64MaxCutMixBlendRatio : CutMix 최대 Blend 비율
2. Resized Crop
  - EnableResizedCrop(bool)
  - SetResizedCropParam(double f64MinResizedCropScaleRatio = .8, double f64MaxResizedCropScaleRatio = 1.0, double f64MinResizedCropAspectRatio = 0.8, double f64MaxResizedCropAspectRatio = 1.25, double f64ResizedCropActivationRate = 1.)
    - f64MinResizedCropScaleRatio : Resized 되기 전 Crop 되어질 영역의 면적의 스케일 최소 비율
    - f64MaxResizedCropScaleRatio : Resized 되기 전 Crop 되어질 영역의 면적의 스케일 최대 비율
    - f64MinResizedCropAspectRatio : Resized 되기 전 Crop 되어질 영역의 최소 종횡비 비율
    - f64MaxResizedCropAspectRatio : Resized 되기 전 Crop 되어질 영역의 최대 종횡비 비율
    - f64ResizedCropActivationRate : Batch 마다 적용되는 ResizedCrop 활성화 비율
3. Horizontal Flip
  - EnableHorizontalFlip(bool)
  - SetHorizontalFlipParam(double f64HorizontalFlipActivationRate = 1.)
    - f64HorizontalFlipActivationRate : Batch 마다 적용되는 수평 반전 활성화 비율
4. Vertical Flip
  - EnableVerticalFlip(bool)
  - SetVerticalFlipParam(double f64VerticalFlipActivationRate = 1.)
    - f64VerticalFlipActivationRate : Batch 마다 적용되는 수직 반전 활성화 비율
5. Adjustment
  - EnableAdjustment(bool)
  - SetAdjustmentParam(double f64MinAdjustmentBrightness = 0.8, double f64MaxAdjustmentBrightness = 1.25, double f64MinAdjustmentContrast = 0.8, double f64MaxAdjustmentContrast = 1.25, double f64AdjustmentActivationRate = 1.)
    - f64MinAdjustmentBrightness : 최소 밝기
    - f64MaxAdjustmentBrightness : 최대 밝기
    - f64MinAdjustmentContrast : 최소 대비
    - f64MaxAdjustmentContrast : 최대 대비
    - f64AdjustmentActivationRate : Batch 마다 적용되는 Adjustment 활성화 비율
6. Intensity
  - EnableIntensity(bool)
  - SetIntensityParam(double f64MinSaturation = 0.8, double f64MaxSaturation = 1.25, double f64MinExposure = 0.8, double f64MaxExposure = 1.25, double f64MinHue = -.03, double f64MaxHue = .03, double f64IntensityActivationRate = 1.)
    - f64MinSaturation : S 최소 값
    - f64MaxSaturation : S 최대 값
    - f64MinExposure : V 최소 값
    - f64MaxExposure : V 최대 값
    - f64MinHue : H 최소 값
    - f64MaxHue : H 최대 값
    - f64IntensityActivationRate : Batch 마다 적용되는 Intensity 활성화 비율
7. Gradation
  - EnableGradation(bool)
  - SetGradationParam(double f64GradationMinAlpha = 0., double f64GradationMaxAlpha = .5, double f64GradationActivationRate = 1.)
    - f64GradationMinAlpha : 최소 밝기 변화율
    - f64GradationMaxAlpha : 최대 밝기 변화율
    - f64GradationActivationRate : Batch 마다 적용되는 Gradation 활성화 비율
8. Emphasize
  - EnableEmphasize(bool)
  - SetEmphasizeParam(int64_t i64MinimumKernelSize = 1, int64_t i64MaximumKernelSize = 3, double f64MinimumFactor = 0., double f64MaximumFactor = 1., double f64EmphasizeActivationRate = 1.)
    - i64MinimumKernelSize : 최소 필터 사이즈 크기
    - i64MaximumKernelSize : 최대 필터 사이즈 크기
    - f64MinimumFactor : 최소 Factor
    - f64MaximumFactor : 최대 Factor
    - f64EmphasizeActivationRate : Batch 마다 적용되는 Emphasize 활성화 비율
9. Gaussian Blur
  - EnableGaussianBlur(bool)
  - SetGaussianBlurParam(int64_t i64MinKernelSize = 1, int64_t i64MaxKernelSize = 3, double f64GaussianBlurActivationRate = 1.)
    - i64MinKernelSize : 최소 필터 크기
    - i64MaxKernelSize : 최대 필터 크기
    - f64GaussianBlurActivationRate : Batch 마다 적용되는 Gaussian Blur 활성화 비율
10. Gaussian Noise
  - EnableGaussianNoise(bool)
  - SetGaussianNoiseParam(double f64MinMean = 0., double f64MaxMean = 0., double f64MinStdev = 0., double f64MaxStdev = .04, double f64GaussianNoiseActivationRate = 1.)
    - f64MinMean : 가우시안 분포의 최소 평균
    - f64MaxMean : 가우시안 분포의 최대 평균
    - f64MinStdev : 가우시안 분포의 최소 표준 편차
    - f64MaxStdev : 가우시안 분포의 최대 표준 편차
    - f64GaussianNoiseActivationRate : Batch 마다 적용되는 Gaussian Noise 활성화 비율
11. Alpha Blend Mask
  - EnableAlphaBlendMask(bool)
  - SetAlphaBlendMaskParam(double f64MinAlphaBlendMaskRatioX = 0.05, double f64MaxAlphaBlendMaskRatioX = .1, double f64MinAlphaBlendMaskRatioY = 0.05, double f64MaxAlphaBlendMaskRatioY = .1, double f64MinAlphaBlendMaskValue = 0., double f64MaxAlphaBlendMaskValue = 1., double f64MinAlphaBlendMaskBlendRatio = 0.6, double f64MaxAlphaBlendMaskBlendRatio = 1., double f64AlphaBlendMaskActivationRate = .5, int64_t i64MinAlphaBlendMaskCount = 1, int64_t i64MaxAlphaBlendMaskCount = 2)
    - f64MinAlphaBlendMaskRatioX : X 방향 최소 섞는 범위 * f64MaxAlphaBlendMaskRatioX : X 방향 최대 섞는 범위 * f64MinAlphaBlendMaskRatioY : Y 방향 최소 섞는 범위 * f64MaxAlphaBlendMaskRatioY : Y 방향 최대 섞는 범위 * f64MinAlphaBlendMaskValue : 섞는 최소 값 * f64MaxAlphaBlendMaskValue : 섞는 최대 값 * f64MinAlphaBlendMaskBlendRatio : 최소 섞는 비율 * f64MaxAlphaBlendMaskBlendRatio : 최대 섞는 비율 * f64AlphaBlendMaskActivationRate : 섞는 활성화 비율 * i64MinAlphaBlendMaskCount : 최소 섞는 개수 * i64MaxAlphaBlendMaskCount : 최대 섞는 개수
12. Perspective
  - EnablePerspective(bool)
  - SetPerspectiveParam(double f64MinPerspectiveRatio = .0, double f64MaxPerspectiveRatio = .1, double f64PerspectiveActivationRate = 1.)
    - f64MinPerspectiveRatio : Projection quad 점 4개의 대한 최소 변형 비율
    - f64MaxPerspectiveRatio : Projection quad 점 4개의 대한 최대 변형 비율
    - f64PerspectiveActivationRate : Batch 마다 적용되는 Perspective 활성화 비율
13. Quarter Rotation
  - EnableQuarterRotation(bool)
  - SetQuarterRotationParam(bool bAngle0 = true, bool bAngle90 = true, bool bAngle180 = true, bool bAngle270 = true, double f64QuarterRotationActivationRate = 1.)
    - bAngle0 : 0도 회전 사용 여부
    - bAngle90 : 90도 회전 사용 여부
    - bAngle180 : 180도 회전 사용 여부
    - bAngle270 : 270도 회전 사용 여부
    - f64QuarterRotationActivationRate : Batch 마다 적용되는 Quarter Rotation 활성화 비율
14. Rotation
  - EnableRotation(bool)
  - SetRotationParam(double f64MinAngle = -5., double f64MaxAngle = 5., bool bRectMode = false, bool bFitTensor = false, double f64RotationActivationRate = 1.)
    - f64MinAngle : 최소 Rotation 각도 범위
    - f64MaxAngle : 최대 Rotation 각도 범위
    - bRectMode : ROI를 사각형으로만 처리할 지에 대한 여부
    - bFitTensor : 회전하는 이미지 연산 방식 선택
    - f64RotationActivationRate : Batch 마다 적용되는 Rotation 활성화 비율
15. Scale
  - EnableScale(bool)
  - SetScaleParam(double f64MinScaleRatioX = 0.8, double f64MaxScaleRatioX = 1.2, double f64MinScaleRatioY = 0.8, double f64MaxScaleRatioY = 1.2, bool bPreservingScaleRatio = false, double f64ScaleActivationRate = 1.)
    - f64MinScaleRatioX : 너비 Scale Ratio의 최소
    - f64MaxScaleRatioX : 너비 Scale Ratio의 최대
    - f64MinScaleRatioY : 높이 Scale Ratio의 최소
    - f64MaxScaleRatioY : 높이 Scale Ratio의 최대
    - bPreservingScaleRatio : 늘리는 축의 비율 유지 여부
    - f64ScaleActivationRate : Batch 마다 적용되는 Scale 활성화 비율
16. Translation
  - EnableTranslation(bool)
  - SetTranslationParam(double f64MinTranslationRatioX = -0.1, double f64MaxTranslationRatioX = 0.1, double f64MinTranslationRatioY = -0.1, double f64MaxTranslationRatioY = 0.1, double f64TranslationActivationRate = 1.)
    - f64MinTranslationRatioX : X 방향으로의 최소 이동 비율
    - f64MaxTranslationRatioX : X 방향으로의 최대 이동 비율
    - f64MinTranslationRatioY : Y 방향으로의 최소 이동 비율
    - f64MaxTranslationRatioY : Y 방향으로의 최대 이동 비율
    - f64TranslationActivationRate : Batch 마다 적용되는 Translation 활성화 비율
17. Cutout
  - EnableCutout(bool)
  - SetCutoutParam(double f64MinCutoutRatioX = 0.05, double f64MaxCutoutRatioX = .1, double f64MinCutoutRatioY = 0.05, double f64MaxCutoutRatioY = .1, double f64CutoutActivationRate = .5, int64_t i64MinCutoutCount = 1, int64_t i64MaxCutoutCount = 2)
    - f64CutoutActivationRate : Cutout 활성화 비율
    - f64MinCutoutRatioX : X 방향으로의 최소 cutout되는 비율
    - f64MaxCutoutRatioX : X 방향으로의 최대 cutout되는 비율
    - f64MinCutoutRatioY : Y 방향으로의 최소 cutout되는 비율
    - f64MaxCutoutRatioY : Y 방향으로의 최대 cutout되는 비율
    - i64MinCutoutCount : 최소 cutout 개수
    - i64MaxCutoutCount : 최대 cutout 개수
Object Augmentation 방식 관련
1. Augmentation 내부에 Object Augmentation 관련하여 설정할 수 있습니다.
  1. Object Augmentation 설정
    - SetObjectAugmentationSpec(CObjectAugmentationSpec objectAugmentationSpec)
      - objectAugmentationSpec : 설정할 Object Augmentation 객체
2. Object Common Parameter 관련
  1. Augmentation 에 Common 과 동일한 역활을 하지만 Augmentation 과 분리되어 Object Augmentation 내에서 영향을 주는 함수는 다음과 같습니다.
    - EnableAugmentation(bool) : true가 기본값이며, false로 설정 시 모든 옵션 비활성화됩니다.
    - SetCommonActivationRate(double) : 설정한 비율만큼 Augmentation 동작을 활성화합니다.
    - SetCommonIoUThreshold(double) : Rotation, CutMix와 같이 Label Figure의 넓이가 연산 후 너무 많이 제거된 경우 설정한 Threshold 비율로 제거합니다. Augmentation IoU Threshold는 Augmentation으로 인해 라벨링된 부분이 짤릴 경우 라벨링을 보존 여부를 정하는 임곗 값입니다. 0.0 ~ 1.0의 범위를 가지며 0.8을 설정할 경우 원래의 영역의 80%가 넘게 남아있지 않은 경우 라벨을 제거합니다.
  2. Object Augmentation 연산 개수 설정
    - SetObjectCountParam(int64_t i64MinObjectCount = 1, int64_t i64MaxObjectCount = 2)
      - i64MinObjectCount : 최소 Object Augmentation 연산 개수
      - i64MaxObjectCount : 최대 Object Augmentation 연산 개수
  3. Object Augmentation 제외 Class 설정
    - SetExcludedClassNumbers(const wchar_t* pWcExludedClassNumbers)
      - pWcExludedClassNumbers : 연산에서 제외시킬 Class 번호 문자열
  4. Object Augmentation Operation Source 방식 설정
    - SetObjectAugmentationOperationSourceMethod(EObjectAugmentation_OperationSource eOAOperationSourceMethod = EObjectAugmentation_OperationSource_LearningDataset)
      - eOAOperationSourceMethod : 연산에서 사용될 Operation Image 지정 방식
  5. Object Augmentation User Defined Image 설정
    - SetObjectAugmentationUserDefinedImage(const Base::CFLImage* pFliObjectAugmentationUserDefinedImage)
      - pFliObjectAugmentationUserDefinedImage : 연산 방식이 EObjectAugmentation_OperationSource_UserDefined 방식 일 때 사용할 이미지 선언
  6. 각각의 Object Augmentation 방식 관련
    1. 각각의 Object Augmentation 연산 설정은 Augmentation 방식과 동일한 방식입니다. Object Augmentation 객체에 Augmentation 과 동일한 함수를 불러와 연산을 진행하면 됩니다.
      1. Object Augmentation 연산 종류
        
        Horizontal Flip
        
        Vertical Flip
        
        Adjustment
        
        Intensity
        
        Perspective
        
        Quarter Rotation
        
        Rotation
        
        Scale
        
        Translation
모든 옵션을 활성화 시 Augmentation 동작 순서는 아래와 같습니다.
1. Object Augmentation
  1. Horizontal Flip
  2. Vertical Flip
  3. Adjustment
  4. Intensity
  5. Perspective
  6. Quarter Rotation
  7. Rotation
  8. Scale
  9. Translation
2. Mix Method
3. Resized Crop
4. Horizontal Flip
5. Vertical Flip
6. Adjustment
7. Intensity
8. Gradation
9. Emphasize
10. Gaussian Blur
11. Gaussian Noise
12. Alpha Blend Mask
13. Perspective
14. Quarter Rotation
15. Rotation
16. Scale
17. Translation
18. Cutout

2.4.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;
CAugmentationSpec augSpec;

augSpec.SetCommonActivationRate(0.5);
augSpec.SetCommonInterpolationMethod(FLImaging::ImageProcessing::EInterpolationMethod_Bilinear);
augSpec.EnableRotation(true);
augSpec.SetRotationParam(-45.0, 45.0, false, true, 1.0);
augSpec.EnableHorizontalFlip(true);
augSpec.EnableVerticalFlip(true);

semanticSegmentationDL.SetLearningAugmentationSpec(&augSpec);

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();
CAugmentationSpec augSpec = new CAugmentationSpec();

augSpec.SetCommonActivationRate(0.5);
augSpec.SetCommonInterpolationMethod(EInterpolationMethod.Bilinear);
augSpec.EnableRotation(true);
augSpec.SetRotationParam(-45.0, 45.0, false, true, 1.0);
augSpec.EnableHorizontalFlip(true);
augSpec.EnableVerticalFlip(true);

semanticSegmentationDL.SetLearningAugmentationSpec(augSpec);

semanticSegmentationDL = CSemanticSegmentationDL()
augSpec = CAugmentationSpec()

augSpec.SetCommonActivationRate(0.5)
augSpec.SetCommonInterpolationMethod(EInterpolationMethod.Bilinear)
augSpec.EnableRotation(True)
augSpec.SetRotationParam(-45.0, 45.0, False, True, 1.0)
augSpec.EnableHorizontalFlip(True)
augSpec.EnableVerticalFlip(True)

semanticSegmentationDL.SetLearningAugmentationSpec(augSpec)

2.4.4 GUI에서 설정 방법

Augmentation setting — Fig. Augmentation 설정

3 선택 옵션

3.1 모델/메모리 초기화

3.1.1 개요

학습 데이터 및 관련 메모리를 초기화합니다.
- 모델이나 모델의 버전을 바꿔야 할 때, 또는 사용 후 메모리를 반환하여야 할 때 사용합니다.

3.1.2 API

ClearLearnedData()

3.1.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

///////////////////////////////////
// 필수 or 선택 옵션 설정
///////////////////////////////////

semanticSegmentationDL.Learn();
semanticSegmentationDL.Stop();

// 학습 종료 후, 학습 데이터 ClearLearnedData 함수로 초기화
semanticSegmentationDL.ClearLearnedData();

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

///////////////////////////////////
// 필수 or 선택 옵션 설정
///////////////////////////////////

semanticSegmentationDL.Learn();
semanticSegmentationDL.Stop();

// 학습 종료 후, 학습 데이터 ClearLearnedData 함수로 초기화
semanticSegmentationDL.ClearLearnedData();

semanticSegmentationDL = CSemanticSegmentationDL()

###################################
## 필수 or 선택 옵션 설정
###################################

semanticSegmentationDL.Learn()
semanticSegmentationDL.Stop()

# 학습 종료 후, 학습 데이터 ClearLearnedData 함수로 초기화
semanticSegmentationDL.ClearLearnedData()

3.1.4 GUI에서 실행 방법

3.2 Interpolation 설정

3.2.1 개요

입력 이미지를 학습용 Tensor로 변환하는 과정에서 Scale 연산 시 Interpolation 처리방법을 설정합니다.

3.2.2 API

SetInterpolationMethod(ImageProcessing::EInterpolationMethod eInterpolationMethod = ImageProcessing::EInterpolationMethod_Bilinear)

3.2.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

semanticSegmentationDL.SetInterpolationMethod(FLImaging::ImageProcessing::EInterpolationMethod_Bilinear);

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

semanticSegmentationDL.SetInterpolationMethod(EInterpolationMethod.Bilinear);

semanticSegmentationDL = CSemanticSegmentationDL()

semanticSegmentationDL.SetInterpolationMethod(EInterpolationMethod.Bilinear)

3.2.4 GUI에서 설정 방법

Set Interpolation — Fig. Interpolation 방식 설정

3.3 Memory Saving Mode 설정

3.3.1 개요

입력 이미지 셋이 매우 많을 경우 학습용 Tensor로 모두 변환할 메모리 용량이 부족한 경우에 사용합니다.
1. 학습/추론 중 Mini Batch 단위로 Tensor를 생성합니다.
2. 메모리가 여유로운 케이스에서 사용하여도 무관합니다.

3.3.2 API

EnableMemorySavingMode(bool bEnable = false)

3.3.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

semanticSegmentationDL.EnableMemorySavingMode(true);

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

semanticSegmentationDL.EnableMemorySavingMode(true);

semanticSegmentationDL = CSemanticSegmentationDL()

semanticSegmentationDL.EnableMemorySavingMode(True)

3.3.4 GUI에서 설정 방법

Set Memory Saving Mode — Fig. Memory Saving Mode 설정

3.4 Save/Load

3.4.1 개요

학습 결과를 저장 및 로드합니다.
1. 저장 시 현재 설정하였던 파라미터 정보들이 모두 저장됩니다.
2. 로드 시 저장하였던 파라미터 정보들이 모두 업데이트 되므로, 추가적인 설정이 필요 없습니다.

3.4.2 API

Load(const Base::CFLString<wchar_t>& strFilePath)
Save(const Base::CFLString<wchar_t>& strFilePath)
- strFilePath : 저장하거나 로드하려는 파일의 경로

3.4.3 예제 코드

Save

CSemanticSegmentationDL semanticSegmentationDL;

///////////////////////////////////
// 필수 or 선택 옵션 설정
///////////////////////////////////

semanticSegmentationDL.Learn();
semanticSegmentationDL.Stop();

semanticSegmentationDL.Save(L"FL SS 512 B3.flss");

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

///////////////////////////////////
// 필수 or 선택 옵션 설정
///////////////////////////////////

semanticSegmentationDL.Learn();
semanticSegmentationDL.Stop();

semanticSegmentationDL.Save("FL SS 512 B3.flss");

semanticSegmentationDL = CSemanticSegmentationDL()

###################################
## 필수 or 선택 옵션 설정
###################################

semanticSegmentationDL.Learn()
semanticSegmentationDL.Stop()

semanticSegmentationDL.Save("FL SS 512 B3.flss")

Load

CSemanticSegmentationDL semanticSegmentationDL;

semanticSegmentationDL.Load(L"FL SS 512 B3.flss");
semanticSegmentationDL.Execute();

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

semanticSegmentationDL.Load("FL SS 512 B3.flss");
semanticSegmentationDL.Execute();

semanticSegmentationDL = CSemanticSegmentationDL()

semanticSegmentationDL.Load("FL SS 512 B3.flss")
semanticSegmentationDL.Execute()

3.4.4 GUI에서 설정 방법

Save
1. 학습 후 GUI의 Save 버튼을 클릭하여 Dialog를 통해 원하는 위치에 모델을 저장합니다.
  - 확장자는 각 모델별로 상이합니다.

Save File Dialog — Fig. 모델 Save를 위한 Dialog

Load
1. 저장한 모델을 Load 버튼을 클릭하여 모델 파일을 불러옵니다.
  - Load가 성공되었다면, 바로 추론 동작을 실행할 수 있습니다.

3.5 Batch Processing 설정

3.5.1 개요

추론 시 현재 페이지의 이미지만 처리할 지 전체 페이지의 이미지를 설정할 지 선택할 수 있습니다.
- 기본 옵션은 전체 페이지 동작(true)입니다.

3.5.2 API

EnableInferenceBatchProcessing(bool bBatchProcessing = true)

3.5.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

semanticSegmentationDL.EnableInferenceBatchProcessing(false);
semanticSegmentationDL.Execute();

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

semanticSegmentationDL.EnableInferenceBatchProcessing(false);
semanticSegmentationDL.Execute();

semanticSegmentationDL = CSemanticSegmentationDL()

semanticSegmentationDL.EnableInferenceBatchProcessing(False)
semanticSegmentationDL.Execute()

3.5.4 GUI에서 설정 방법

Set Batch Processing — Fig. Inference Batch Processing 설정

3.6 Auto Save & Stop Condition

3.6.1 개요

조건 식에 따라 학습 중 설정한 조건에 맞으면 자동으로 저장하거나 학습을 중단하는 기능입니다.

조건 식

연산자

우선순위	연산자	연산 방향	설명
1	(), {}, []	-	표현식을 묶어서 우선순위 부여
2	^ , **	오른쪽에서 왼쪽	거듭 제곱
3	+ , - , ~	오른쪽에서 왼쪽	단항 더하기, 단항 빼기, 논리 반전
4	* , / , // , %	왼쪽에서 오른쪽	곱셈, 나눗셈, 몫, 나머지
5	+ , -	왼쪽에서 오른쪽	덧셈, 뺄셈
6	> , >= , => , < , <= , =<	왼쪽에서 오른쪽	비교 연산자
7	== , != , =	왼쪽에서 오른쪽	비교 연산자
8	xor	왼쪽에서 오른쪽	배타 논리 합
9	& , && , and	왼쪽에서 오른쪽	논리 곱
10	\| , \|\| , or	왼쪽에서 오른쪽	논리 합

함수

함수명	기능	예시	예시 설명
max	최대값 반환	metric > max('metric`)	현재 에폭의 metric 값이 기록된 metric 값들 중 최대 값 보다 크면 참입니다.
min	최소값 반환	cost < min('cost')	현재 에폭의 cost 값이 기록된 cost 값들 중 최소 값 보다 작으면 참입니다.

공통 변수

변수명	설명	Stop Condition 예시	Auto Save 예시
epoch	학습 에폭 수입니다.	epoch >= 1000 & cost <= 0.3 & accuracy >= 1	epoch >= 10 & accuracy >= max('accuracy') & accuracy > 0
cost	학습 비용입니다. 0이 최소입니다. 0으로 갈수록 학습 이미지에 대해 좋은 성능을 나타냅니다.	cost <= 0 \| metric >= 1	cost < 0.5 & metric >= max('metric') & metric > 0
validation	검증 값입니다. 각 모델 별 validation으로 설정된 지표가 정해져있습니다. 범위는 0~1 입니다. 1로갈수록 좋은 성능을 나타냅니다.	cost <= 0 \| validation >= 1	epoch >= 10 & validation >= max('validation') & validation > 0
metric	지표 값입니다. 각 모델 별 metric으로 설정된 지표가 정해져있습니다. 범위는 0~1 입니다. 1로갈수록 좋은 성능을 나타냅니다.	cost <= 0 \| metric >= 1	epoch >= 10 & metric >= max('metric') & metric > 0

모델 별 사용 가능한 변수

예제

조건	설명
epoch >= 1000 & cost <= 0.3 & accuracy >= 1	epoch이 1000보다 크면서 cost가 0.3보다 작거나 같고 accuracy가 1보다크거나같을 때 동작
epoch >= 10 & validation >= max('validation') & validation > 0	epoch이 10보다 크면서 현재 validation이 기존 validation들의 max값보다 크거나 같고 validation이 0보다 클 때 동작
epoch % 10 == 0	10 에폭 마다 동작
epoch > 10 & metric > max('metric')	에폭이 10보다 크면서 현재 metric이 기존 metric값들의 max보다 클 때 동작
epoch > 10000 & (cost <= 0 \| metric >= 1)	에폭이 10000보다 크면서 cost값이 0보다 작을때나 metric이 1보다크거나 같을 때 동작
cost < min('cost')	cost 값이 기존 cost값들 중 가장 작을 때 동작
cost <= 0 \| metric >= 1	cost가 0보다 작거나 같을때나 metric이 1보다 크거나 같을 때 동작

3.6.2 API

기본 설정

SetLearningAutoSaveSpec(const CAutoSaveSpec&, Base::CFLString<wchar_t>*)
SetLearningAutoSaveSpec(const CAutoSaveSpec*, Base::CFLString<wchar_t>*)

CAutoSaveSpec 설정

SetAutoSavePath(const Base::CFLString<wchar_t>&)
SetAutoSaveCondition(const Base::CFLString<wchar_t>&)

StopCondition 설정

SetLearningStopCondition(const Base::CFLString<wchar_t>& flsStopConditionExpression, Base::CFLString<wchar_t>*)

3.6.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;
CAutoSaveSpec autoSave;
CFLString<wchar_t> flsErrorSymbol;

autoSave.EnableAutoSave(true);
autoSave.SetAutoSavePath(L"FL SS.flss");
autoSave.SetAutoSaveCondition(L"epoch >= 100 & (cost < min('cost') | miou.ze > max('miou.ze'))");

// Error Symbol 옵션을 생략 가능
semanticSegmentationDL.SetLearningAutoSaveSpec(autoSave, &flsErrorSymbol);
semanticSegmentationDL.SetLearningStopCondition(L"epoch >= 10 & (cost <= 0 | accuracy >= 1 | miou >= 1)");

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();
CAutoSaveSpec autoSave = new CAutoSaveSpec();
StringBuilder strErrorSymbol = new StringBuilder();

autoSave.EnableAutoSave(true);
autoSave.SetAutoSavePath("FL SS.flss");
autoSave.SetAutoSaveCondition("epoch >= 100 & (cost < min('cost') | miou.ze > max('miou.ze'))");

// Error Symbol 옵션을 생략 가능
semanticSegmentationDL.SetLearningAutoSaveSpec(autoSave, ref strErrorSymbol);
semanticSegmentationDL.SetLearningStopCondition("epoch >= 10 & (cost <= 0 | accuracy >= 1 | miou >= 1)");

semanticSegmentationDL = CSemanticSegmentationDL()
autoSave = CAutoSaveSpec()
strErrorSymbol = StringBuilder()

autoSave.EnableAutoSave(True)
autoSave.SetAutoSavePath("FL SS.flss")
autoSave.SetAutoSaveCondition("epoch >= 100 & (cost < min('cost') | miou.ze > max('miou.ze'))")

# Error Symbol 옵션을 생략 가능
semanticSegmentationDL.SetLearningAutoSaveSpec(autoSave, strErrorSymbol)
semanticSegmentationDL.SetLearningStopCondition("epoch >= 10 & (cost <= 0 | accuracy >= 1 | miou >= 1)")

3.6.4 GUI에서 설정 방법

Auto Save Settings — Fig. Auto Save 환경 설정

Learning Stop Condition Settings — Fig. Stop Condition 설정

3.7 Optimal State Preservation 설정

3.7.1 개요

학습을 종료한 후, 수동으로 Save를 할 때, 어떠한 상태를 저장할 지 설정합니다.
1. true라면 최적의 학습 상태가 파일에 저장됩니다.
  1. Validation Set이 없는 경우엔 cost값이 최소가 된 지점을 저장합니다.
  2. Validation Set이 있는 경우엔 metric값이 최대가 된 지점을 저장합니다.
2. false라면 마지막 학습 상태가 파일에 저장됩니다.

3.7.2 API

EnableOptimalLearningStatePreservation(bool)

3.7.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

semanticSegmentationDL.EnableOptimalLearningStatePreservation(false);

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

semanticSegmentationDL.EnableOptimalLearningStatePreservation(false);

semanticSegmentationDL = CSemanticSegmentationDL()

semanticSegmentationDL.EnableOptimalLearningStatePreservation(False)

3.7.4 GUI에서 설정 방법

Optimal State Preservation — Fig. Optimal Learning State Preservation 설정

3.8 Class Equalization 설정

3.8.1 개요

Batch당 최대한 여러 개의 클래스가 균등하게 들어있도록 하는 class equalization 활성화 여부를 설정합니다.

3.8.2 API

EnableClassEqualization(bool)

3.8.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

semanticSegmentationDL.EnableClassEqualization(false);

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

semanticSegmentationDL.EnableClassEqualization(false);

semanticSegmentationDL = CSemanticSegmentationDL()

semanticSegmentationDL.EnableClassEqualization(False)

3.8.4 GUI에서 설정 방법

3.9 Preprocessing 설정

3.9.1 개요

Learn dataset에 사용할 전처리 image processing 알고리즘을 선택합니다.
- 현재 Preprocessing에 사용할 수 있는 알고리즘들은 다음과 같습니다.
  1. Low Luminance Correction Type 2
  2. Emphasize
  3. FL Auto Shading Correction
  4. Contrast Enhancement

3.9.2 API

SetImagePreprocessingAlgorithm(const Foundation::CAlgorithmFeatureBase* pAlgorithm)
- pAlgorithm : Preprocessing에 사용할 단일 알고리즘 객체 포인터
SetImagePreprocessingAlgorithm(const std::vector< Foundation::CAlgorithmFeatureBase*>& vctAlgorithm)
- vctAlgorithm : Preprocessing에 사용할 복수의 알고리즘 객체들의 포인터 vector
AddImagePreprocessingAlgorithm(const Foundation::CAlgorithmFeatureBase* pAlgorithm)
- pAlgorithm : Preprocessing에 추가할 단일 알고리즘 객체 포인터
AddImagePreprocessingAlgorithm(const std::vector< Foundation::CAlgorithmFeatureBase*>& vctAlgorithm)
- vctAlgorithm : Preprocessing에 추가할 복수의 알고리즘 객체들의 포인터 vector

3.9.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;
std::vector<Foundation::CAlgorithmFeatureBase*> vctAlgorithms;

CLowLuminanceCorrectionType2 lowLuminanceCorrectionType2;
vctAlgorithms.push_back(&lowLuminanceCorrectionType2);

CFLAutoShadingCorrection flAutoShadingCorrection;
vctAlgorithms.push_back(&flAutoShadingCorrection);

semanticSegmentationDL.SetImagePreprocessingAlgorithm(vctAlgorithms);

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();
List<CAlgorithmFeatureBase> listAlgorithms = new List<CAlgorithmFeatureBase>();

CLowLuminanceCorrectionType2 lowLuminanceCorrectionType2 = new CLowLuminanceCorrectionType2();
listAlgorithms.Add(lowLuminanceCorrectionType2);

CFLAutoShadingCorrection flAutoShadingCorrection = new CFLAutoShadingCorrection();
listAlgorithms.Add(flAutoShadingCorrection);

semanticSegmentationDL.SetImagePreprocessingAlgorithm(listAlgorithms);

semanticSegmentationDL = CSemanticSegmentationDL()
listAlgorithms = List[CAlgorithmFeatureBase]()

lowLuminanceCorrectionType2 = CLowLuminanceCorrectionType2()
listAlgorithms.Add(lowLuminanceCorrectionType2)

flAutoShadingCorrection = CFLAutoShadingCorrection()
listAlgorithms.Add(flAutoShadingCorrection)

semanticSegmentationDL.SetImagePreprocessingAlgorithm(listAlgorithms)

3.9.4 GUI에서 설정 방법

3.10 Image Tiling 설정

3.10.1 개요

입력받은 학습 이미지를 어떠한 방식으로 분할하여 사용할 지를 선택합니다.
- Instance Segmentation, Semantic Segmentation, Object Detection과 같은 알고리즘에서 사용됩니다.
- 총 5가지 모드를 지원합니다.
  1. ETilingMode_NoTiling_NoFit : 별도의 Scaling 없이 모델의 크기로 처리합니다.
  2. ETilingMode_NoTiling_Fit : 이미지를 모델의 크기로 Scaling하여 변환합니다.
  3. ETilingMode_NoTiling_ProportionalFit : 정사각형의 비율을 유지하도록 Scaling하여 변환합니다. (기본값)
  4. ETilingMode_SingleAxisTiling_ProportionalFit : 정사각형의 비율을 유지한 채로 더 긴 axis를 기준으로만 이미지를 분할합니다.
  5. ETilingMode_BothAxesTiling_NoFit : 이미지를 모델의 크기로 높이, 너비에 대해 모두 분할합니다.
SingleAxisTiling, BothAxeTiling의 경우에는 겹치는 비율을 설정 가능합니다.
- 겹치는 비율 범위는 0~0.9입니다.

Tiling Mode	Source	Result
NoTiling_Fit
NoTiling_ProportionalFit
SingleAxisTiling_ProportionalFit
BothAxesTiling_NoFit(Overlap Ratio 0.25)
NoTiling_NoFit

3.10.2 API

SetImageTilingMode(ETilingMode eImageTilingMode = ETilingMode_NoTiling_ProportionalFit)
SetImageTilingOverlapRatio(double f64OverlpaRatio = .25)

3.10.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

semanticSegmentationDL.SetImageTilingMode(ETilingMode_SingleAxisTiling_ProportionalFit);
semanticSegmentationDL.SetImageTilingOverlapRatio(0.3);

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

semanticSegmentationDL.SetImageTilingMode(ETilingMode.SingleAxisTiling_ProportionalFit);
semanticSegmentationDL.SetImageTilingOverlapRatio(0.3);

semanticSegmentationDL = CSemanticSegmentationDL()

semanticSegmentationDL.SetImageTilingMode(ETilingMode.SingleAxisTiling_ProportionalFit)
semanticSegmentationDL.SetImageTilingOverlapRatio(0.3)

3.10.4 GUI에서 설정 방법

3.11 Reset Best Score 설정

3.11.1 개요

현재 저장한 cost, validation과 관련된 최고의 기록들을 초기화합니다.

3.11.2 API

ResetBestScore()

3.11.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

semanticSegmentationDL.Learn();
semanticSegmentationDL.Stop();

// 학습 종료 후 Best Record 초기화
semanticSegmentationDL.ResetBestScore();

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

semanticSegmentationDL.Learn();
semanticSegmentationDL.Stop();

// 학습 종료 후 Best Record 초기화
semanticSegmentationDL.ResetBestScore();

semanticSegmentationDL = CSemanticSegmentationDL()

semanticSegmentationDL.Learn()
semanticSegmentationDL.Stop()

# 학습 종료 후 Best Record 초기화
semanticSegmentationDL.ResetBestScore()

3.11.4 GUI에서 설정 방법

Best Record Reset — Fig. Best Records Reset

3.12 Pretrained Model 설정

3.12.1 개요

학습된 모델을 Pretrained 상태로 만듭니다.

3.12.2 API

MakePretrainedModel()

3.12.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

semanticSegmentationDL.Learn();
semanticSegmentationDL.Stop();

// 학습 종료 후 Pretrained Model 생성
semanticSegmentationDL.MakePretrainedModel();

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

semanticSegmentationDL.Learn();
semanticSegmentationDL.Stop();

// 학습 종료 후 Pretrained Model 생성
semanticSegmentationDL.MakePretrainedModel();

semanticSegmentationDL = CSemanticSegmentationDL()

semanticSegmentationDL.Learn()
semanticSegmentationDL.Stop()

# 학습 종료 후 Pretrained Model 생성
semanticSegmentationDL.MakePretrainedModel()

3.12.4 GUI에서 설정 방법

3.13 Pretrained Model 사용

3.13.1 개요

Pretrained Model을 Backbone으로 사용 합니다.
Pretrained Model은 Classifier 모델 FLNet FPT버전이어야 합니다.
지원 모델 및 버전 목록
- Semantic Segmentation
  - FLSegNet V1 512 B1~B5 -> Classifier FLNetFPT FLSegNet V1 B1~B5
- Object Detection DL
  - R-FLNet V1 512 -> Classifier FLNetFPT R-FLNet V1
- Oriented Object Detection DL
  - R-FLNet V1 512 -> Classifier FLNetFPT R-FLNet V1
- Instance Segmentation 3D DL
  - R-FLSegNet V1 512 -> Classifier FLNetFPT R-FLNet V1
- Instance Segmentation DL
  - R-FLSegNet V1 512 -> Classifier FLNetFPT R-FLNet V1
- CharacterBased OCR DL
  - R-FLSegNet V1 512 -> Classifier FLNetFPT R-FLNet V1
- Faster CharacterBased OCR DL
  - FLSegNet V1 512 B1~B5 -> Classifier FLNetFPT FLSegNet V1 B1~B5
- String Based OCR DL
  - R-FLNet V1 512 -> Classifier FLNetFPT R-FLNet V1

3.13.2 API

EnablePretrainedModelFile(bool)
- Pretrain Model File을 사용합니다.
EnableIntrinsicPretrainedModelFile(bool)
- Intrinsic PretrainModel File을 사용합니다.
SetPretrainModelFilePath(CFLString<wchar_t>)
- 지정된 경로에 있는 Pretrain Model File을 사용합니다.

3.13.3 예제 코드

IntrinsicPretrainedModelFile 사용(반드시 Pretrained Model File Package가 설치되어있어야 합니다.)

CSemanticSegmentationDL semanticSegmentationDL;
	
// Pretrained Model 사용을 위해 FLSegNet으로 모델 설정
semanticSegmentationDL.SetModel(CSemanticSegmentationDL::EModel_FLSegNet);
semanticSegmentationDL.SetModelVersion(CSemanticSegmentationDL::EModelVersion_FLSegNet_V1_512_B3);
semanticSegmentationDL.EnablePretrainedModelFile(true);
semanticSegmentationDL.EnableIntrinsicPretrainedModelFile(true);

//////////////////////////////////////////
//////////////////////////////////////////
// Learn 옵션 셋팅 후 Learn 수행
//////////////////////////////////////////
//////////////////////////////////////////
semanticSegmentationDL.Learn();

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

// Pretrained Model 사용을 위해 FLSegNet으로 모델 설정
semanticSegmentationDL.SetModel(CSemanticSegmentationDL.EModel.FLSegNet);
semanticSegmentationDL.SetModelVersion(CSemanticSegmentationDL.EModelVersion.FLSegNet_V1_512_B3);
semanticSegmentationDL.EnablePretrainedModelFile(true);
semanticSegmentationDL.EnableIntrinsicPretrainedModelFile(true);

//////////////////////////////////////////
//////////////////////////////////////////
// Learn 옵션 셋팅 후 Learn 수행
//////////////////////////////////////////
//////////////////////////////////////////
semanticSegmentationDL.Learn();

semanticSegmentationDL = CSemanticSegmentationDL()

# Pretrained Model 사용을 위해 FLSegNet으로 모델 설정
semanticSegmentationDL.SetModel(CSemanticSegmentationDL.EModel.FLSegNet)
semanticSegmentationDL.SetModelVersion(CSemanticSegmentationDL.EModelVersion.FLSegNet_V1_512_B3)
semanticSegmentationDL.EnablePretrainedModelFile(True)
semanticSegmentationDL.EnableIntrinsicPretrainedModelFile(True)
	
##########################################
##########################################
## Learn 옵션 셋팅 후 Learn 수행
##########################################
##########################################
semanticSegmentationDL.Learn()

지정된 경로의 Pretrain Model File Path 사용

CSemanticSegmentationDL semanticSegmentationDL;

// Pretrained Model 사용을 위해 FLSegNet으로 모델 설정
semanticSegmentationDL.SetModel(CSemanticSegmentationDL::EModel_FLSegNet);
semanticSegmentationDL.SetModelVersion(CSemanticSegmentationDL::EModelVersion_FLSegNet_V1_512_B3);
semanticSegmentationDL.EnablePretrainedModelFile(true);
semanticSegmentationDL.EnableIntrinsicPretrainedModelFile(false);
semanticSegmentationDL.SetPretrainModelFilePath(L"C://FLSegNet V1 B3 PT.flcf");

//////////////////////////////////////////
//////////////////////////////////////////
// Learn 옵션 셋팅 후 Learn 수행
//////////////////////////////////////////
//////////////////////////////////////////
semanticSegmentationDL.Learn();

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

// Pretrained Model 사용을 위해 FLSegNet으로 모델 설정
semanticSegmentationDL.SetModel(CSemanticSegmentationDL.EModel.FLSegNet);
semanticSegmentationDL.SetModelVersion(CSemanticSegmentationDL.EModelVersion.FLSegNet_V1_512_B3);
semanticSegmentationDL.EnablePretrainedModelFile(true);
semanticSegmentationDL.EnableIntrinsicPretrainedModelFile(false);
semanticSegmentationDL.SetPretrainModelFilePath("C://FLSegNet V1 B3 PT.flcf");

//////////////////////////////////////////
//////////////////////////////////////////
// Learn 옵션 셋팅 후 Learn 수행
//////////////////////////////////////////
//////////////////////////////////////////
semanticSegmentationDL.Learn();

semanticSegmentationDL = CSemanticSegmentationDL()

# Pretrained Model 사용을 위해 FLSegNet으로 모델 설정
semanticSegmentationDL.SetModel(CSemanticSegmentationDL.EModel.FLSegNet)
semanticSegmentationDL.SetModelVersion(CSemanticSegmentationDL.EModelVersion.FLSegNet_V1_512_B3)
semanticSegmentationDL.EnablePretrainedModelFile(True)
semanticSegmentationDL.EnableIntrinsicPretrainedModelFile(False)
semanticSegmentationDL.SetPretrainModelFilePath("C://FLSegNet V1 B3 PT.flcf")

##########################################
##########################################
## Learn 옵션 셋팅 후 Learn 수행
##########################################
##########################################
semanticSegmentationDL.Learn()

3.13.4 GUI에서 사용하는 법

3.14 로그인 기능

3.14.1 개요

모델에 Password를 설정하여 허가된 사용자만 모델을 사용할 수 있도록하는 보안 조치입니다. Password가 설정된 경우 로그인을 해야 Save/Learn/Execute를 사용할 수 있습니다.

3.14.2 API

SetPassword(const Base::CFLString<wchar_t>& flsOldPassword, const Base::CFLString<wchar_t>& flsNewPassword)
- 비밀번호를 변경합니다. 변경에 성공하면 로그인됩니다. 초기 비밀번호는 빈 문자열입니다.
- flsOldPassword : 이전에 설정된 비밀번호
- flsNewPassword : 바꿀 비밀번호
LogIn(const Base::CFLString<wchar_t>& flsPassword)
- 비밀번호가 일치하면 로그인 됩니다.
LogOut()
- 로그아웃 합니다
IsLoggedIn()
- 현재 로그인 상태인 지 체크합니다.
- 비밀번호가 없는 경우에도 로그인 상태로 true를 반환합니다.
IsPasswordSet()
- 비밀번호가 설정된 지 체크합니다

3.14.3 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;
	
// 초기 비밀번호 설정
semanticSegmentationDL.SetPassword(L"", L"password");

// 비밀번호 변경
semanticSegmentationDL.SetPassword(L"password", L"fourthlogic");

//////////////////////////////////////////
//////////////////////////////////////////
// Learn 옵션 셋팅 후 Learn 수행
//////////////////////////////////////////
//////////////////////////////////////////
semanticSegmentationDL.Learn();

// 학습된 모델 파일 저장
semanticSegmentationDL.Save(L"model_with_password.flss");


CSemanticSegmentationDL semanticSegmentationDL2;

// 비밀번호가 설정된 모델 로드
semanticSegmentationDL2.Load(L"model_with_password.flss");

// 로그인 상태가 아닌 경우 로그인 동작
if(!semanticSegmentationDL2.IsLogIn())
{
  if(semanticSegmentationDL2.LogIn(L"fourthlogic").IsFail())
  {
    // 로그인 실패 관련 처리
    return;
  }
}

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();
	
// 초기 비밀번호 설정
semanticSegmentationDL.SetPassword("", "password");

// 비밀번호 변경
semanticSegmentationDL.SetPassword("password", "fourthlogic");

//////////////////////////////////////////
//////////////////////////////////////////
// Learn 옵션 셋팅 후 Learn 수행
//////////////////////////////////////////
//////////////////////////////////////////
semanticSegmentationDL.Learn();

// 학습된 모델 파일 저장
semanticSegmentationDL.Save("model_with_password.flss");


CSemanticSegmentationDL semanticSegmentationDL2 = new CSemanticSegmentationDL();

// 비밀번호가 설정된 모델 로드
semanticSegmentationDL2.Load("model_with_password.flss");

// 로그인 상태가 아닌 경우 로그인 동작
if(semanticSegmentationDL2.IsLogIn() == false)
{
  if(semanticSegmentationDL2.LogIn("fourthlogic").IsFail())
  {
    // 로그인 실패 관련 처리
    return;
  }
}

semanticSegmentationDL = CSemanticSegmentationDL()
	
# 초기 비밀번호 설정
semanticSegmentationDL.SetPassword("", "password")

# 비밀번호 변경
semanticSegmentationDL.SetPassword("password", "fourthlogic")

##########################################
##########################################
# Learn 옵션 셋팅 후 Learn 수행
##########################################
##########################################
semanticSegmentationDL.Learn()

# 학습된 모델 파일 저장
semanticSegmentationDL.Save("model_with_password.flss")


semanticSegmentationDL2 = CSemanticSegmentationDL()

# 비밀번호가 설정된 모델 로드
semanticSegmentationDL2.Load("model_with_password.flss")

# 로그인 상태가 아닌 경우 로그인 동작
if semanticSegmentationDL2.IsLogIn() == False:
  if semanticSegmentationDL2.LogIn("fourthlogic").IsFail():  
    # 로그인 실패 관련 처리
    return

3.14.4 GUI에서 사용하는 법

비밀번호 설정
1. 로그인 상태인 경우 버튼이 활성화됩니다. 비밀번호가 설정되지 않은 경우에도 로그인 상태입니다.
Fig. Set Password

Fig. Set Password (Hide Password)

Fig. Set Password (Show Password)
로그인
1. 로그인 상태가 아닌 경우에 버튼이 활성화됩니다
Fig. Login

Fig. Login (Hide Password)

Fig. Login (Show Password)
로그아웃
1. 비밀번호가 설정되어있고, 로그인 상태인 경우 버튼이 활성화 됩니다.
Fig. Logout

4 학습 및 추론

4.1 개요

앞서 설명한 옵션들에 대한 설정을 완료한 후 동작합니다.
1. 모델을 Load 한 경우 Save 당시의 파라미터가 모두 동기화 되므로 Image를 제외한 옵션 입력이 필요 없습니다.
2. 추론의 경우 학습이 되어있는 경우에만 활성화되어 학습을 하지 않으면 동작하지 않습니다.
3. 학습이 시작되면 설정된 Epoch이나, Stop Condition에 부합할 때까지 진행됩니다. 또는 Dialog 창에서 stop 버튼으로 사용자가 원하는 경우에 학습을 중단할 수 있습니다.

4.2 학습

각 모델별 라벨링 방법으로 학습 이미지 및 검증 이미지를 설정합니다.
1. 검증 이미지는 오버 피팅 방지를 위해 학습에 사용되지 않은 데이터 셋을 사용하는 것을 권장합니다.
2. 학습 이미지, 검증 이미지 비율은 9:1 ~ 8:2 범위로 사용하는 것을 권장합니다.
추론할 데이터에 맞게 세부 옵션들을 설정합니다.
1. Model 설정
  1. 검사 대상의 정밀도에 따라 모델을 설정합니다.
2. 검사할 이미지의 상태 변화에 따른 Augmentation 기법을 적용합니다.
  1. 검사할 위치가 이동된다면 Translation, 조명 밝기가 변한다면 Adjustment 또는 Intensity 등 검사 이미지의 상태 변화에 맞는 Augmentation을 적용합니다.
3. Tiling Mode
  1. 검사 대상의 비율 및 크기 변화에 민감한 정도에 따라 Tiling 옵션을 설정합니다.
4. 이 외의 선택 옵션들
종료 및 저장 조건을 설정합니다.
1. 조건을 설정하지 않을 경우 각 모델별로 설정된 기본값으로 동작합니다.
학습을 진행합니다.
1. 이미 학습이 진행된 상태에서 학습 진행 시 초기화 되지않고 이전 상태에서 추가적으로 학습이 진행됩니다.
  1. Load 이후에 학습 시에도 추가 학습으로 진행됩니다.
  2. 추가 학습 시에는 Model과 Tiling Mode에 대한 옵션을 변경할 수 없습니다.

4.3 추론

Learn 또는 Load를 진행합니다.
1. IsLearned() 함수로 학습 여부를 확인합니다.
검사 이미지를 설정합니다.
학습된 모델로 추론을 진행합니다.
추론 결과는 이미지 형태로 얻을 수 있습니다.
1. GetInferenceResultImage로 결과 이미지를 얻습니다.

4.4 API

Learn() : 학습 동작 함수
IsLearned() : 학습 상태 체크 함수
Execute() : 추론 동작 함수
GetInferenceResultImage() : 추론 결과 이미지

4.5 예제 코드

CSemanticSegmentationDL semanticSegmentationDL;

// 모델 설정
semanticSegmentationDL.SetModel(CSemanticSegmentationDL::EModel_FLSegNet);
semanticSegmentationDL.SetModelVersion(CSemanticSegmentationDL::EModelVersion_FLSegNet_V1_512_B3);

//////////////////////////////////////////
// 학습 옵션 셋팅 후 Learn 수행
//////////////////////////////////////////
semanticSegmentationDL.Learn();

if(!semanticSegmentationDL.IsLearned())
{
  // 학습 실패 예외처리
}

//////////////////////////////////////////
// 추론 옵션 셋팅 후 Execute 수행
//////////////////////////////////////////
semanticSegmentationDL.Execute();

// 추론 결과 얻어오기
CFLImage* resultImage = (CFLImage*)semanticSegmentationDL.GetInferenceResultImage();

CSemanticSegmentationDL semanticSegmentationDL = new CSemanticSegmentationDL();

// 모델 설정
semanticSegmentationDL.SetModel(CSemanticSegmentationDL.EModel.FLSegNet);
semanticSegmentationDL.SetModelVersion(CSemanticSegmentationDL.EModelVersion.FLSegNet_V1_512_B3);

//////////////////////////////////////////
// 학습 옵션 셋팅 후 Learn 수행
//////////////////////////////////////////
semanticSegmentationDL.Learn();

if(!semanticSegmentationDL.IsLearned())
{
  // 학습 실패 예외처리
}

//////////////////////////////////////////
// 추론 옵션 셋팅 후 Execute 수행
//////////////////////////////////////////
semanticSegmentationDL.Execute();

// 추론 결과 얻어오기
CFLImage resultImage = semanticSegmentationDL.GetInferenceResultImage();

semanticSegmentationDL = CSemanticSegmentationDL()

# 모델 설정
semanticSegmentationDL.SetModel(CSemanticSegmentationDL.EModel.FLSegNet)
semanticSegmentationDL.SetModelVersion(CSemanticSegmentationDL.EModelVersion.FLSegNet_V1_512_B3)
	
##########################################
## 학습 옵션 셋팅 후 Learn 수행
##########################################
semanticSegmentationDL.Learn()
	
if semanticSegmentationDL.IsLearned() == False:
	# 학습 실패 예외처리	

##########################################
# 추론 옵션 셋팅 후 Execute 수행
##########################################
semanticSegmentationDL.Execute()

# 추론 결과 얻어오기
resultImage = semanticSegmentationDL.GetInferenceResultImage()

AI 공통 설정

1 개요

2 필수 옵션

2.1 Image 설정

2.1.1 개요

2.1.2 API

2.1.3 예제 코드

2.1.4 GUI에서 설정 방법

2.2 Optimizer 설정

2.2.1 개요

2.2.2 API

2.2.3 예제 코드

2.2.4 GUI에서 설정 방법

2.3 Learning 정보 설정

2.3.1 Learning Epoch 설정

2.3.1.1 개요

2.3.1.2 API

2.3.1.3 예제 코드

2.3.1.4 GUI에서 설정 방법

2.3.2 Validation Step 설정

2.3.2.1 개요

2.3.2.2 API

2.3.2.3 예제 코드

2.3.2.4 GUI에서 설정 방법

2.4 Augmentation 설정

2.4.1 개요

2.4.2 API

Common Parameter 관련

Mix Method

Resized Crop

Horizontal Flip

Vertical Flip

Adjustment

Intensity

Gradation

Emphasize

Gaussian Blur

Gaussian Noise

Alpha Blend Mask

Perspective

Quarter Rotation

Rotation

Scale

Translation

Cutout

Object Augmentation 설정

Object Common Parameter 관련

2.4.3 예제 코드

2.4.4 GUI에서 설정 방법

3 선택 옵션

3.1 모델/메모리 초기화

3.1.1 개요

3.1.2 API

3.1.3 예제 코드

3.1.4 GUI에서 실행 방법

3.2 Interpolation 설정

3.2.1 개요

3.2.2 API

3.2.3 예제 코드

3.2.4 GUI에서 설정 방법

3.3 Memory Saving Mode 설정

3.3.1 개요

3.3.2 API

3.3.3 예제 코드

3.3.4 GUI에서 설정 방법

3.4 Save/Load

3.4.1 개요

3.4.2 API

3.4.3 예제 코드

3.4.4 GUI에서 설정 방법

3.5 Batch Processing 설정

3.5.1 개요

3.5.2 API

3.5.3 예제 코드

3.5.4 GUI에서 설정 방법

3.6 Auto Save & Stop Condition

3.6.1 개요

3.6.2 API

3.6.3 예제 코드

3.6.4 GUI에서 설정 방법