[AI] Computer Vision을 이용한 이미지 분류[Microsoft Azure]

Custom Vision을 이용한 이미지 분류

안녕하세요. 오늘은 Custom Vision이라는 서비스를 이용하여 이미지 분류를 해보려고 합니다. Custom Vision은 Microsoft Azure에서 제공하는 인공지능 서비스로, 사용자가 원하는 이미지를 업로드하고 태그를 지정하면 자동으로 모델을 학습시켜주는 편리한 기능입니다. 이번 포스팅에서는 Custom Vision을 사용하는 방법과 Postman 프로그램을 이용하여 예측 결과를 확인하는 방법에 대해 알아보겠습니다.

 

 

이미지 분류와 관련된 간단한 단어

- 이미지 분류$($image classification$)$: 다중 밴드 래스터 이미지로부터 정보 클래스를 추출하는 작업 또는 이미지 전체를 특정 레이블로 이해하고 분류하는 작업입니다.

- 픽셀$($pixel$)$: picture element의 줄임말로, 비트로 디지털화된 이미지, 디지털 화상을 구성하는 기본적인 단위입니다.
- RGB: 빛의 삼원색을 뜻하는 말이며 빨간색$($Red$)$, 초록색$($Green$)$, 파란색$($Blue$)$의 합성어입니다.

- 지도 학습/분류$($supervised classification$)$: 분석가와 컴퓨터 간의 상호작용에 따라 분류하는 방법 중 하나로, 분석가가 이미지에 대한 사전 지식을 바탕으로 훈련 데이터를 제공하고 컴퓨터가 통계적 기법을 사용하여 픽셀을 클래스에 할당하는 방법입니다.

- 비지도 학습/분류$($unsupervised classification$)$: 분석가와 컴퓨터 간의 상호작용에 따라 분류하는 방법 중 하나로, 분석가가 훈련 데이터를 제공하지 않고 컴퓨터가 자동으로 픽셀의 유사성에 따라 클러스터를 생성하고 클래스에 할당하는 방법입니다.

- 픽셀 기반 분류$($pixel-based classification$)$: 이미지 분류 기법 중 하나로, 픽셀을 기본 단위로 하여 픽셀의 스펙트럼 값이나 텍스처 등의 속성을 이용하여 클래스를 결정하는 방법입니다.

- 객체 기반 분류$($object-based classification$)$: 이미지 분류 기법 중 하나로, 픽셀보다 큰 영역인 객체를 기본 단위로 하여 객체의 형태, 크기, 위치 등의 속성을 이용하여 클래스를 결정하는 방법입니다.

 

Computer Vision 

이미지 분류	개체 감지	의미 체계 구분
이미지 분석	얼굴 감지 및 인식	광학 인식

 

Azure Computer Vision

Computer Vision	이미지 분석 - 자동화된 캡션 및 태그 지정 <br> 일반적인 개체 검색 <br> 얼굴 감지 <br> 스마트 자르기 <br> 광학 문자 인식
Custom Vision	사용자 지정 이미지 분류 <br> 사용자 지정 개체 감지
Face	얼굴 검색 및 분석
Form Recognizer	양식, 청구서, 기타 문서에서 데이터 추출

 

 

Custom Vision 사용 방법

 

Custom Vision을 사용하기 위해서는 먼저 Microsoft Azure에서 리소스를 만들어야 합니다. 리소스를 만드는 방법은 다음과 같습니다.

1. Microsoft Azure에 로그인합니다.
2. 리소스 만들기를 클릭합니다.
3. AI + 기계 학습 카테고리에서 Custom Vision을 선택합니다.
4. 서비스 이름, 구독, 리소스 그룹, 위치 등을 입력하고 만들기 옵션은 모두 선택합니다.
5. 만들기를 클릭하여 리소스를 생성합니다.

 

리소스가 생성되면 다음으로 Custom Vision 웹사이트에서 프로젝트를 만들어야 합니다. 프로젝트를 만드는 방법은 다음과 같습니다.

1. https://www.customvision.ai/ 에 접속합니다.
2. New Project를 클릭합니다.
3. 프로젝트 이름, 설명, 리소스 그룹 등을 입력하고 프로젝트 유형은 분류, 도메인은 일반을 선택합니다.
4. Create project를 클릭하여 프로젝트를 생성합니다.
5. 이 과정에서 Custom Vision Resouce를 새로 생성 할 수도 있습니다.

Classification Type

프로젝트가 생성되면 다음으로 이미지를 업로드하고 태그를 지정해야 합니다. 이미지 업로드와 태그 지정 방법은 다음과 같습니다.

1. Add images를 클릭합니다.
2. 분류하고자 하는 이미지 파일을 선택하고 열기를 클릭합니다.
3. 이미지에 해당하는 태그를 입력하고 Upload 버튼을 클릭합니다.
4. 업로드된 이미지가 태그와 함께 나타나면 Done을 클릭합니다.

이미지 업로드와 태그 지정이 완료되면 다음으로 모델을 학습시켜야 합니다. 모델 학습 방법은 다음과 같습니다.

1. Train 버튼을 클릭합니다.
2. 훈련 유형은 빠른 훈련을 선택하고 Train 버튼을 클릭합니다.
3. 훈련이 완료되면 정확도, 정밀도, 재현율 등의 성능 지표가 나타납니다.

 

Object Detection

프로젝트가 생성되면 다음으로 이미지를 업로드하고 태그를 지정해야 합니다. 이미지 업로드와 태그 지정 방법은 다음과 같습니다.

1. Add images를 클릭합니다.
2. 분류하고자 하는 이미지 파일을 선택하고 열기를 클릭하고 Upload 버튼을 클릭합니다.
3. 업로드된 이미지가 태그와 함께 나타나면 Done을 클릭합니다.
4. 업로드된 이미지를 클릭하여 영역을 설정하고 태그를 지정해야 합니다.

이미지 업로드와 태그 지정이 완료되면 다음으로 모델을 학습시켜야 합니다. 모델 학습 방법은 다음과 같습니다.

1. Train 버튼을 클릭합니다.
2. 훈련 유형은 빠른 훈련을 선택하고 Train 버튼을 클릭합니다.
3. 훈련이 완료되면 정확도, 정밀도, 재현율 등의 성능 지표가 나타납니다.

 

Quick Test

학습이 완료되면 이미지를 업로드하여 예측 결과를 확인할 수 있습니다.

 

Postman 프로그램을 이용한 예측 결과 확인

모델 학습이 완료되면 Postman 프로그램을 이용하여 예측 결과를 확인할 수 있습니다. Postman 프로그램은 API 테스트 및 개발을 위한 도구로, 웹사이트나 앱에서 요청과 응답을 쉽게 확인할 수 있습니다. Postman 프로그램을 이용한 예측 결과 확인 방법은 다음과 같습니다.

1. Publish 버튼을 클릭합니다. 이름, 설명, 리소스를 입력하고 Publish 버튼을 클릭합니다.
2. Performance - Prediction URL에서 다음 세 가지 정보를 복사합니다.
   • URL
   • Prediction-Key
   • Content-Type

1. Postman 프로그램을 실행합니다. POST를 선택하고 URL 주소를 붙여넣습니다.
2. Headers에 Key에 "Prediction-Key"를 입력하고 Value에 Prediction-Key 값을 붙여넣습니다.
3. Headers에 Key에 "Content-Type"를 입력하고 Value에 Content-Type 값을 붙여넣습니다.
4. Body에 binary를 선택하고 예측하고자 하는 이미지 파일을 선택합니다.
5. Send를 클릭하면 예측 결과가 나타납니다.

 

+ OCR을 통해 이미지에서 문자를 추출할 수 있고, Form-Recognizer를 통해 의미를 파악할 수 있습니다.

 

마치며

이번 포스팅에서는 Custom Vision을 이용하여 이미지 분류를 해보았습니다. Custom Vision은 코딩 없이도 이미지 분류 모델을 만들고 배포할 수 있는 간편한 서비스입니다. Postman 프로그램은 API 테스트와 개발에 필수적인 도구입니다. 두 서비스를 함께 사용하면 더욱 효율적으로 이미지 분류 프로젝트를 수행할 수 있습니다.

감사합니다.