동일한 모델에 대해 로컬 환경 및 OVMS(OpenVINO™ Model Server)와 비교할 때 추론 결과가 다릅니다.

• 보험금 청구 처리 저장소를 사용하고 YOLO 모델을 로드하여 정확성을 테스트했습니다.
• 추론 결과는 로컬로 로드된 YOLO ONNX 모델과 OVMS에 로드된 동일한 모델 간에 차이가 있습니다.
• 04-accident-recog에서 관찰된 결과는 약 86%인 반면 OVMS는 약 88%의 수익을 올렸습니다.

OpenVINO™ 및 Ultralytics 로드 모델이 서로 다른 입력을 수신하여 결과에 차이가 있는 것으로 보입니다.

로컬 환경에서 실행하려면 다음과 같은 몇 가지 변경 사항을 적용해야 합니다.

04-04-사고-recog.ipynb

1. 입력 이미지를 읽고 예측을 실행하는 셀:

   original_image: np.ndarray = cv2.imread("images/carImage3.jpg")
   blob = cv2.dnn.blobFromImage(original_image, size=(640, 640), swapRB=False)
   blob = np.ascontiguousarray(blob[0].transpose((1,2,0)))
   results = model.predict(blob)

2. 원본 이미지에 결과를 그리는 셀:

   Image.fromarray(result.plot()[:,:,::-1].astype(np.uint8))

04-05-모델 서빙.ipynb

노트북 자체에는 변경 사항이 없습니다. remote_infer.py에서 필요한 변경 사항.

1. 전처리 방법:

   // code placeholder
   def preprocess(image_path):
   original_image: np.ndarray = cv2.imread(image_path)
   [height, width, _] = original_image.shape

   # Calculate scale factor
   scale = (height/640, width/640)

   # Preprocess the image and prepare blob for model
   blob = cv2.dnn.blobFromImage(original_image, scalefactor=1 / 255, size=(640, 640), swapRB=True)
   return blob, scale, original_image

2. 포스트 프로세스 내부의 draw_bounding_box 호출 :

   draw_bounding_box(original_image, class_ids[index], scores[index], round(box[0] * scale[1]), round(box[1] * scale[0]),round((box[0] + box[2]) * scale[1]), round((box[1] + box[3]) * scale[0]))