SOLOv6 Project Overview

Contents

• Overview

  • Team
  • Model Define
  • Goal

• Project

  • Project Structure
  • 모델 정의
  • Web

• Stack

• Repositories

• 데모

Overview

• Socar의 기업 과제 중 차량 파손 탐지 및 분류 시스템을 주제를 선정해 진행하였습니다.
• AI가 파손 탐지 모델을 사용해 기존의 단순노동을 AI 모델이 처리함으로써 불필요한 작업 제거
• U-net with EfficientNet B4를 기반으로 Custom Loss Function과 Grad-CAM을 통한 Data Imbalance 문제와 부족한 위치 정보를 보완
• Admin UI 구현을 통한 업무 효율성 증대 : Confidence score을 기준으로 모호한 예측 결과 구분, 검수자들의 편의성 고려

Team

Name	Role	Email	Position
강동연	팀장	anfqlc1127@gmail.com	ML engineer, MLOps
노지민	팀원	shwlals96@gmail.com	ML engineer, MLOps
이호준	팀원	hoo8799@gmail.com	Web engineer, MLOps
이태현	팀원	lts2769@naver.com	Web engineer, MLOps
류예나	팀원	yena0773@naver.com	Project Manager

Model Define

1. Gooing Deeper에서 진행한 쏘카 이용전 사진을 부위별로 분류하는 작업의 고도화
2. 사고 부위를 판별하여 사고 정도에 따라서 분류하는 작업 (scratch, dent, spacing)
3. Accida 기술 블로그 참고 링크

Goal

1. AI가 파손 탐지 모델을 사용해 기존의 단순노동을 AI 모델이 처리함으로써 불필요한 작업 제거
2. U-net with EfficientNet B4를 기반으로 Custom Loss Function과 Grad-CAM을 통해 Data Imbalance 문제와 부족한 위치 정보를 보완함
3. Admin UI를 구현해 검수자들의 편의성 고려 및 Confidence Score를 기준으로 모호한 예측 결과 구분으로 효율성 증대

Project

Project Structure

모델 정의

Base line

• U-net vs U-net with EfficientNet b0 vs Deeplab v3를 비교했을 때 U-net with EfficientNet이 가장 효율적이므로 Base Model로 사용함

Model

• Teacher model과 student model을 분리하여 기존 mask가 존재하지 않는 image에 대해서도 student model이 더 나은 학습을 할 수있게 하였습니다.
• 학습시에 Grad-Cam을 사용하여 모델의 성능을 높였고 추론시에는 student model만을 사용하여 추론시간을 감소시켰습니다.

Result

• inference result: 최종 model 합성 image
• pseudo mask: teacher model이 생성한 mask

Serving

• model serving architecture

Web

Web Structure

Service Usecase

DB

Stack

• model
  • GCP(Google Cloud Platform)
  • Pytorch
  • OpenCV
  • Wandb
• web
  • Docker
  • MySQL
  • Flask API
• serve
  • GCF(Google Cloud Function)
  • Docker
  • Torchserve
  • Prometheus
• etc
  • Github
  • Notion
  • Figma

Demo