애플리케이션 개요
소매 결제 시스템은 각 상품의 바코드를 개별적으로 스캔하거나 코드를 입력할 필요를 줄여 주는 저접촉 및 셀프서비스 사용자 경험으로 발전하는 추세입니다. 이미지 기반 AI 모델은 다양한 제품을 식별할 수 있으며, 여러 제품을 동시에 인식할 수도 있어 고객이 주문한 모든 상품을 빠르게 등록하고 필요한 경우 사소한 수정을 할 수 있습니다. 필요한 경우 동일한 시스템에서 AI가 제품의 1차원 및 2차원 바코드를 신속하게 찾아 바코드 판독을 지원할 수 있습니다.
에지 AI는 로컬 프로세서에서 이미지 처리를 수행할 수 있도록 하여 빠른 실시간 처리 결과를 제공하고 고객의 개인정보를 보호합니다. 데이터는 장치에 그대로 유지되므로 네트워크 안정성이 고객 경험에 영향을 미치지 않도록 하는 동시에, 클라우드 기반 AI를 사용할 때 지속해서 발생하는 비용도 절감할 수 있습니다.
AM62A 및 AM67A와 같은 장치에는 C7™ NPU가 탑재되어 있어, 상응하는 장치의 CPU와 비교하여 신경망 모델의 성능을 최대 50배까지 가속할 수 있습니다. 고급 시스템은 추가 시점을 확보하기 위한 카메라를 더 탑재하여 감지 정확도를 높이거나, 재고 손실을 방지하기 위한 도난 방지 기능을 추가할 수 있습니다.
평가 시작하기
데이터 수집
비전 AI 모델은 이미지를 사용해 학습되며, 소매 스캐너에서 물체를 감지하는 용도로는 YOLOX와 같은 물체 감지 모델이 가장 적합합니다. 이 모델은 다양한 제품을 감지하고 구별합니다. 모델이 인식하게 될 정답 데이터, 즉 어노테이션은 '바운딩 박스'입니다. 바운딩 박스에는 제품이 포함된 이미지 영역과 해당 제품이 무엇인지에 대한 정보가 포함됩니다.
이미지는 카메라를 통해 획득하며, 최종 제품에 사용될 카메라로 촬영한 이미지를 포함하는 것이 바람직합니다. 우수한 데이터셋에는 실제 환경을 반영한 다양한 배경, 조명 조건 및 물체의 방향이 다른 변형이 포함되어야 합니다. 이미지는 TI EVM을 사용하거나 이미지를 도구에 수동으로 업로드하여 CCStudio™ Edge AI Studio에서 수집하고 어노테이션할 수 있습니다.
데이터 품질 평가
정확한 모델을 개발하려면 양질의 어노테이션이 적용된 이미지 데이터가 필요합니다. 어노테이션(바운딩 박스)은 제품의 위치를 정확하게 표시해야 합니다.
우수한 데이터셋에는 실제 환경을 반영한 다양한 시나리오 및 변형이 포함되어야 하며, 그 예는 다음과 같습니다.
- 서로 일부 겹치거나 맞닿아 있는 제품.
- 고객의 손, 의류, 지갑 등 구매 가능한 제품이 아닌 물체의 존재.
- 시간대에 따른 조명 변화 또는 제품에서 발생하는 반사광.
- 약간 손상되었지만, 인간이 여전히 인식할 수 있는 제품.
모델 구축 및 학습
TI에서 지원하는 신경망의 경우, CCStudio™ Edge AI Studio 또는 edgeai-modelmaker를 사용하여 모델을 훈련할 수 있습니다. 보다 숙련된 개발자는 PyTorch 또는 TensorFlow를 사용하여 직접 맞춤형 신경망을 학습시키는 것을 선호할 수 있습니다.
요구 사항에 맞는 모델 찾기
먼저 검색 범위를 물체 감지 모델로 좁힙니다. 소매 시스템은 다양한 물체를 많이 감지해야 할 수 있으므로 더 큰 고해상도 모델이 더 적합할 수 있습니다. 모델이 클수록 실행 속도가 느려지므로 시스템에 요구되는 응답성에 따라 균형점을 찾아야 합니다. 제품의 종류가 많을수록 더 큰 모델을 사용하는 것이 유리합니다.
YOLO-Small(S)과 YOLOX-Nano와 같은 모델 변형은 유사한 아키텍처를 사용하지만, 전자는 정확도 향상을 위해 더 큰 레이어를 더 많이 사용합니다.
바코드 감지기와 같은 소형 고속 모델의 경우에는 저해상도 모델을 사용하여 먼저 관심 영역을 결정한 후, 기존 알고리즘이 구조화된 시각 데이터를 디코딩하여 제품 번호 또는 SKU로 변환합니다.
모델 배포
모델을 배포하려면 우선 대상 하드웨어 가속기를 대상으로 모델을 컴파일해야 합니다. Edge AI Studio 및 edgeai-modelmaker와 같은 툴을 사용하면 자동 컴파일링이 지원됩니다. 아니면 모델을 컴파일하기 위해 Bring Your Own Model 플로를 사용해 TI GitHub에서 edgeai-tidl-tools와 같은 소프트웨어 패키지를 통해 별도의 단계를 거쳐야 합니다.
모델 아티팩트는 ONNX Runtime, LiteRT(이전: tensorflow-lite) 및 TVM과 같은 런타임을 통해 배포되며, 하드웨어 가속을 위한 백엔드 소프트웨어로 TIDL(TI 딥러닝)을 사용합니다.
모델을 엔드 투 엔드 비전 애플리케이션에 배포하려면 edgeai-gst-apps로 시작하십시오. 이 리포지토리는 AI 모델 자체의 가속은 물론 이미지 전처리 및 후처리를 위한 하드웨어 가속을 여러 단계로 구성하여 파이프라인을 구축합니다.
edgeai-gst-apps 외에도 소매 결제 및 바코드 스캐닝을 위한 두 가지 개별 데모를 구축했습니다. 각 데모에 대해 데모 수준의 모델을 학습하여 리포지토리에 포함했으며, 해당 리포지토리의 링크는 지원 리소스에서 확인할 수 있습니다.
소매 애플리케이션에서는 제품 카탈로그에 품목이 추가되거나 제거되는 일이 빈번하게 발생하므로 모델을 지속적으로 재학습하고 업데이트하는 것이 중요합니다. 완전한 생산 등급 시스템을 구현하려면 온라인 업데이트 메커니즘을 구축해야 합니다.
적합한 장치 선택
장치 선택은 필요한 AI 성능 수준과 카메라 처리량(해상도 및 프레임 속도)에 좌우됩니다.
AM67A에는 2개의 C7 NPU 코어가 포함되어 있으며, 각 코어는 개별적으로 AM62A의 벤치마크와 유사한 수준의 성능을 발휘합니다. 여러 모델이 개별 코어에서 실행되거나 동일한 코어를 공유할 수 있습니다.
아래 표의 벤치마크는 SDK 버전 10.1을 사용하여 생성되었습니다.
시작하는 데 필요한 모든 하드웨어, 소프트웨어 및 리소스
하드웨어
SK-AM62A-LP
AM62A는 AM6xA 제품군에서 가장 저렴한 AI 가속 장치로, 평가에 가장 적합합니다. 일반 USB 카메라 또는 웹캠을 사용하여 라이브 데이터 기반 이미지 캡처 및 모델 평가를 할 수 있습니다.
소프트웨어 및 개발 툴
PROCESSOR-SDK-LINUX-AM62A
에지 AI 프로세서 SDK는 Linux 기반이며, 하드웨어 가속으로 컴파일된 모델을 실행하는 데 필요한 소프트웨어 구성 요소를 포함합니다. AM62A 대신 다른 에지 AI 가속 프로세서를 사용할 수도 있습니다.
CCStudio™ Edge AI Studio
이 툴은 TI 에지 AI 프로세서에서 모델을 학습, 컴파일 및 배포하기 위한 기능을 제공합니다. 사전 생성된 인기 모델의 벤치마크를 확인할 수 있는 모델 선택 툴도 제공합니다.
명령줄 툴
Linux 및 TIDL을 지원하는 마이크로프로세서 장치용 툴입니다. TI의 에지 AI 솔루션은 다양한 툴과 최적화된 라이브러리를 제공하여 DNN 개발 및 배포의 전체 제품 수명 주기를 간소화합니다.
산업용 | 비전
AI 가속 프로세서와 업계 표준 소프트웨어를 사용하여 높은 프레임 속도로 특정 물체와 사람을 실시간으로 탐지하고 위치를 파악합니다.