| # CLIP 기반 제품 결함 탐지 모델 카드 | |
| ## 모델 세부사항 | |
| ### 모델 설명 | |
| 이 모델은 CLIP 기반의 이상 탐지 방법을 사용하여 제품 결함을 탐지합니다. | |
| 사전 훈련된 CLIP 모델을 fine-tuning하여 제품 이미지에서 결함을 식별하고, 생산 라인에서 품질 관리 및 결함 감지를 자동화합니다. | |
| - **Developed by:** 오석 | |
| - **Funded by:** 4INLAB INC. | |
| - **Shared by:** zhou2023anomalyclip | |
| - **Model type:** CLIP based Anomaly Detection | |
| - **Language(s):** Python, PyTorch | |
| - **License:** Apache 2.0, MIT, GPL-3.0 | |
| ### 기술적 제한사항 | |
| - 모델은 결함 탐지를 위한 충분하고 다양한 훈련 데이터를 필요로 합니다. 훈련 데이터셋이 부족하거나 불균형할 경우, 모델의 성능이 저하될 수 있습니다. | |
| - 실시간 결함 감지 성능은 하드웨어 사양에 따라 달라질 수 있으며, 높은 해상도에서 결함을 탐지하는 정확도가 떨어질 수 있습니다. | |
| - 결함이 미세하거나 제품 간 유사성이 매우 높은 경우, 모델이 결함을 정확하게 탐지하지 못할 수 있습니다. | |
| ## 학습 세부사항 | |
| ### Hardware | |
| - **CPU:** Intel Core i9-13900K (24 Cores, 32 Threads) | |
| - **RAM:** 64GB DDR5 | |
| - **GPU:** NVIDIA RTX 4090Ti 24GB | |
| - **Storage:** 1TB NVMe SSD + 2TB HDD | |
| - **Operating System:** Windows 11 pro | |
| ### 데이터셋 정보 | |
| 이 모델은 시계열 재고 데이터를 사용하여 훈련됩니다. 이 데이터는 재고 수준, 날짜 및 기타 관련 특성에 대한 정보를 포함하고 있습니다. | |
| 데이터는 Conv1D와 BiLSTM 레이어에 적합하도록 MinMax 스케일링을 사용하여 전처리되고 정규화됩니다. | |
|  | |
| - **Data sources:** https://huggingface.co/datasets/quandao92/vision-inventory-prediction-data | |
| - **Training size:** | |
| - 1차 : Few-shot learning with anomaly (10ea), good (4ea) | |
| - 2차 : Few-shot learning with anomaly (10ea), good (10ea) | |
| - 3차 : Few-shot learning with anomaly (10ea), good (110ea) | |
| - **Time-step:** 5초 이내 | |
| - **Data Processing Techniques:** | |
| - normalization: | |
| description: "이미지 픽셀 값을 평균 및 표준편차로 표준화" | |
| method: "'Normalize' from 'torchvision.transforms'" | |
| - max_resize: | |
| description: "이미지의 최대 크기를 유지하며, 비율을 맞추고 패딩을 추가하여 크기 조정" | |
| method: "Custom 'ResizeMaxSize' class" | |
| - random_resized_crop: | |
| description: "훈련 중에 이미지를 랜덤으로 자르고 크기를 조정하여 변형을 추가" | |
| method: "'RandomResizedCrop' from 'torchvision.transforms'" | |
| - resize: | |
| description: "모델 입력에 맞게 이미지를 고정된 크기로 조정" | |
| method: "'Resize' with BICUBIC interpolation" | |
| - center_crop: | |
| description: "이미지의 중앙 부분을 지정된 크기로 자르기" | |
| method: "'CenterCrop'" | |
| - to_tensor: | |
| description: "이미지를 PyTorch 텐서로 변환" | |
| method: "'ToTensor'" | |
| - augmentation (optional): | |
| description: "데이터 증강을 위해 다양한 랜덤 변환 적용, 'AugmentationCfg'로 설정 가능" | |
| method: "Uses 'timm' library if specified" | |
| # AD-CLIP Model Architecture | |
|  | |
| - **model:** | |
| - input_layer: | |
| - image_size: [640, 640, 3] # 표준 입력 이미지 크기 | |
| - backbone: | |
| - name: CLIP (ViT-B-32) # CLIP 모델의 비전 트랜스포머를 백본으로 사용 | |
| - filters: [32, 64, 128, 256, 512] # 비전 트랜스포머의 각 레이어 필터 크기 | |
| - neck: | |
| - name: Anomaly Detection Module # 결함 탐지를 위한 추가 모듈 | |
| - method: Contrastive Learning # CLIP 모델의 특징을 사용한 대조 학습 기법 | |
| - head: | |
| - name: Anomaly Detection Head # 결함 탐지를 위한 최종 출력 레이어 | |
| - outputs: | |
| - anomaly_score: 1 # 이상 탐지 점수 (비정상/정상 구분) | |
| - class_probabilities: N # 각 클래스에 대한 확률 (결함 여부) | |
| # Optimizer and Loss Function | |
| - **training:** | |
| - optimizer: | |
| - name: AdamW # AdamW 옵티마이저 (가중치 감쇠 포함) | |
| - lr: 0.0001 # 학습률 | |
| - loss: | |
| - classification_loss: 1.0 # 분류 손실 (교차 엔트로피) | |
| - anomaly_loss: 1.0 # 결함 탐지 손실 (이상 탐지 모델에 대한 손실) | |
| - contrastive_loss: 1.0 # 대조 학습 손실 (유사도 기반 손실) | |
| # Metrics | |
| - **metrics:** | |
| - Precision # 정밀도 (Precision) | |
| - Recall # 재현율 (Recall) | |
| - mAP # 평균 정밀도 (Mean Average Precision) | |
| - F1-Score # F1-점수 (균형 잡힌 평가 지표) | |
| # Training Parameters | |
| **하이퍼파라미터 설정** | |
| - Learning Rate: 0.001. | |
| - Batch Size: 8. | |
| - Epochs: 200. | |
| # Pre-trained CLIP model | |
| | Model | Download | | |
| | ViT-L/14 | [download](https://openaipublic.azureedge.net/clip/models/b8cca3fd41ae0c99ba7e8951adf17d267cdb84cd88be6f7c2e0eca1737a03836/ViT-L-14.pt) | | |
| | ViT-L/14@336px | [download](https://openaipublic.azureedge.net/clip/models/3035c92b350959924f9f00213499208652fc7ea050643e8b385c2dac08641f02/ViT-L-14-336px.pt) | | |
| # Evaluation Parameters | |
| - F1-score: 95%이상. | |
| # 학습 성능 및 테스트 결과 | |
| - **학습성능 결과과 그래프**: | |
|  | |
| <div style="display: flex; justify-content: space-between;"> | |
| <div style="text-align: center; margin-right: 20px;"> | |
| <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/_lUD77x-yueXycuIn7jya.png" height="80%" width="100%" style="margin-right:5px;"> | |
| <p>1차 학습 성능</p> | |
| </div> | |
| <div style="text-align: center; margin-right: 20px;"> | |
| <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/NHDH9N94cI-KqP8k-ASUN.png" height="80%" width="100%" style="margin-right:5px;"> | |
| <p>2차 학습 성능</p> | |
| </div> | |
| <div style="text-align: center; margin-right: 20px;"> | |
| <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/6n0DnnQjXD8Ql-p3Owxan.png" height="80%" width="100%" style="margin-right:5px;"> | |
| <p>3차 학습 성능</p> | |
| </div> | |
| </div> | |
| - **학습 결과표**: | |
|  | |
| - **테스트 결과**: | |
| <div style="display: flex; justify-content: space-between;"> | |
| <div style="text-align: center; margin-right: 20px;"> | |
| <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/A91V0GdrcUcX01cC-biG9.png" height="600" width="1000" style="margin-right:5px;"> | |
| <p>Anomaly Product</p> | |
| </div> | |
| <div style="text-align: center; margin-right: 20px;"> | |
| <img src="https://cdn-uploads.huggingface.co/production/uploads/65e7d0935ea025ead9623dde/PxleIhphzViTGCubVhWn7.png" height="600" width="1000" style="margin-right:5px;"> | |
| <p>Normal Product</p> | |
| </div> | |
| </div> | |
| # 설치 및 실행 가이라인 | |
| 이 모델을 실행하려면 Python과 함께 다음 라이브러리가 필요합니다: | |
| - **ftfy==6.2.0**: 텍스트 정규화 및 인코딩 문제를 해결하는 라이브러리. | |
| - **matplotlib==3.9.0**: 데이터 시각화 및 그래프 생성을 위한 라이브러리. | |
| - **numpy==1.24.3**: 수치 연산을 위한 핵심 라이브러리. | |
| - **opencv_python==4.9.0.80**: 이미지 및 비디오 처리용 라이브러리. | |
| - **pandas==2.2.2**: 데이터 분석 및 조작을 위한 라이브러리. | |
| - **Pillow==10.3.0**: 이미지 파일 처리 및 변환을 위한 라이브러리. | |
| - **PyQt5==5.15.10**: GUI 애플리케이션 개발을 위한 프레임워크. | |
| - **PyQt5_sip==12.13.0**: PyQt5와 Python 간의 인터페이스를 제공하는 라이브러리. | |
| - **regex==2024.5.15**: 정규 표현식 처리를 위한 라이브러리. | |
| - **scikit_learn==1.2.2**: 기계 학습 및 데이터 분석을 위한 라이브러리. | |
| - **scipy==1.9.1**: 과학 및 기술 계산을 위한 라이브러리. | |
| - **setuptools==59.5.0**: Python 패키지 배포 및 설치를 위한 라이브러리. | |
| - **scikit-image**: 이미지 처리 및 분석을 위한 라이브러리. | |
| - **tabulate==0.9.0**: 표 형태로 데이터를 출력하는 라이브러리. | |
| - **thop==0.1.1.post2209072238**: PyTorch 모델의 FLOP 수를 계산하는 도구. | |
| - **timm==0.6.13**: 다양한 최신 이미지 분류 모델을 제공하는 라이브러리. | |
| - **torch==2.0.0**: PyTorch 딥러닝 프레임워크. | |
| - **torchvision==0.15.1**: 컴퓨터 비전 작업을 위한 PyTorch 확장 라이브러리. | |
| - **tqdm==4.65.0**: 진행 상황을 시각적으로 표시하는 라이브러리. | |
| - **pyautogui**: GUI 자동화를 위한 라이브러리. | |
| ### 모델 실행 단계: | |
| ### ✅ Prompt generating | |
| ```ruby | |
| → If you want to focus only on the final layers (where the model usually learns complex features), you can choose fewer DPAM layers. | |
| ``` | |
| ### ✅ Test process | |
| 👍 **Load pre-trained and Fine tuned (Checkpoints) models** | |
| 1. Pre-trained mode (./pre-trained model/): | |
| ```ruby | |
| → Contains the pre-trained model (ViT-B, ViT-L,....) | |
| → Used as the starting point for training the CLIP model | |
| → Pre-trained model helps speed up and improve training by leveraging previously learned features | |
| ``` | |
| 2. Fine-tuned models (./checkpoint/): | |
| ```ruby | |
| → "epoch_N.pth" files in this folder store the model's states during the fine-tuning process. | |
| → Each ".pth" file represents a version of the model fine-tuned from the pre-trained model | |
| → These checkpoints can be used to resume fine-tuning, evaluate the model at different stages, or select the best-performing version | |
| ``` | |
| # References | |
| - AnomalyCLIP: Object-agnostic Prompt Learning for Zero-shot Anomaly Detection [[github](https://github.com/zqhang/AnomalyCLIP.git)] | |