자율주행 AI트랙 : 주차공간 탐색 프로그램

1. * 프로젝트 주제* 자율주행 주차공간 탐색 프로그램 개발 2. 프로젝트 목적 차량에 부착된 카메라에서 촬영된 이미지를 토대로 주차 공간을 탐지하는 모델을 구현합니다. 3. 프로젝트 목표 도로와 주차공간을 구분합니다. 주차 공간의 정확한 위치를 탐지합니다.

프로젝트 방향 설정 1. 목표 구체화 프로젝트의 큰 주제는 주차 공간탐색 프로그램을 개발하는 것 우리 팀의 결과물은 주차공간 탐색 및 분류 + 객체 인식 하는 프로그램 영상으로부터 주차공간(영역)과 여러 장애물(객체)을 인식하고 분류 주차공간 : 상태에 따라

1. Labeled Data Format Transform

병원 데이터셋의 일부 ( train : 600장 / val : 70장 )을 테스트 학습mAP가 약 0.46에 수렴하는 결과를 볼 수 있다. -> 개선 필요

AIHUB 자율주차용 데이터셋의 전체 용량은 2.6TB이고 그 중 병원 데이터셋만 500GB가 넘어간다. 로컬 저장소의 용량 부족으로 인한 해결 방안 모색데이터셋 업로드 → 연동된 외부저장소에서 데이터 다운로드 → 학습의 단계를 거치기에 많은 시간 소요성능자체의 저하는

Dataset_3까지의 mAP50 값은 0.66Dataset_4를 학습하니 mAP가 0.3대로 떨어짐이전 모델 OverfittingDataset 1~3과 Dataset 4가 도메인이 다를 경우 (ex. 실내 ↔ 실외, 주간 ↔ 야간)freeze=8로 backbone을

1\. 오버 샘플링albumentations 패키지를 이용해 데이터량이 적고 의미 있는 Class를 오버샘플링이미지 하나에 ParkingArea 뿐만 아니라 이미 충분한 데이터가 있는 Wall이나 Pillar같은 것이 섞여있어서 결과적으로 데이터 불균형 해소가 되지 않

1. 결과 그래프 MaskPRCurve result 2. 분석 a ) 손실함수 추이 train/val boxloss, segloss, clsloss, dflloss는 전반적으로 안정적으로 감소하고 있음 초기에는 급격한 감소 → 이후 완만한 감소 및 수렴 형태 tra

Class의 중요도, 데이터량에 따라 가중치 부여\-> 가중치가 높은 Class의 Loss에 더 민감하게 반응하여 적은 데이터량을 커버 가능한지 확인선정된 Class들에만 적용한다는 전제 하에 loss.py 파일을 수정작성된 Class Index에 직접 가중치를 곱

SegFormer는 2021년 NVIDIA에서 발표한 semantic segmentation 모델로,Transformer 기반 백본과 lightweight decoder를 조합한 구조 기존 segmentation 모델들과 달리, 복잡한 디코더나 파라미터 조정 없이도높은

Train : 4942장 / Val : 563장 -> 약 130GB의 9:1 데이터병원, 마트, 사무실, 기타 장소의 실내외 주차장 이미지 데이터모델 결과로 각각 YOLO -> Object / Segformer -> Area 인식 후 합쳐서 하나의 이미지에 나타내는 코

기존 YOLOv8-seg 모델에서 성능이 향상된 YOLOv11로 변경2\.

Label.txt에 라벨링 된 Class_Index가 Mask.png의 픽셀값이 됨\-> Driving Area는 1의 픽셀값, Parking Area는 2의 픽셀값을 가짐 (나머지는 Background = 0 )(자세히 봐야 알 수 있음...)2\.

AP 결과 수치는 좋게 나왔지만 실제 영상에 적용 시켰을 때 영역 경계 부분 불분명영역 곳곳에 빈 부분 발생processor - size에서 조절512x512에서 가장 좋은 결과를 보임argmax : 픽셀마다 가장 높은 점수를 받은 클래스를 최종 마스크로 추출media

인식된 Class에 따라 4가지 카테고리로 분류하여 표시