KR20210123635A - 인공지능을 이용한 이미지 자동 학습 시스템 및 그 방법 - Google Patents

Abstract

본 발명은 인공지능을 이용한 이미지 자동 학습 시스템 및 그 방법에 관한 것으로, 상세하게는 학습할 이미지를 수집하고 이미지 이름을 클래스(class) 명으로 하여 클래스별로 이미지를 압축 저장하는 이미지 수집부(110)와, 압축된 신규 이미지, 이미지를 가공한 학습 데이터셋 및 학습 모델파일을 저장하는 데이터 저장부(120)와, 학습 요청 또는 신규로 학습할 이미지를 확인하면 상기 압축된 신규 이미지를 압축해제하여 레이어(layer) 구조에 맞게 가공하고 그 가공된 데이터를 클래스 별로 라벨링하며 딥러닝 프레임워크에 적합하게 가공하여 학습 데이터셋을 생성한 후 딥러닝을 진행하여 학습 모델파일을 생성하는 이미지 학습부(130)을 포함하여 구성한다. 이러한 본 발명은 이미지 학습을 위한 과정을 관리자가 단계별로 수작업으로 진행해야 하는 종래기술과는 달리 작업 과정을 자동화함으로써 비전문가도 손쉽고 빠르게 인공지능을 이용하여 학습을 시킬 수 있는 효과를 발휘하게 된다.

Description

인공지능을 이용한 이미지 자동 학습 시스템 및 그 방법{Automatic System And Method For Image Learning Using Artificial Intelligence}

본 발명은 인공지능 학습 분야에 관한 것으로, 특히 인공지능의 딥러닝을 이용하여 이미지를 자동으로 학습하는 인공지능을 이용한 이미지 자동 학습 시스템 및 그 방법에 관한 것이다.

일반적으로 인공지능(artificial intelligence, AI)은 인간의 사고, 학습 등을 컴퓨터가 할 수 있도록 연구하는 컴퓨터 공학 및 정보기술의 한 분야로서, 인간의 지능을 모방하여 인간이 하는 복잡한 일을 동일하게 또는 유사하게 할 수 있도록 만들어진 기계를 의미한다.

현재 인공지능은 컴퓨터 공학 및 정보기술의 여러 분야에 직간접적으로 활용되면서 꾸준히 연구개발이 이루어지고 있으며, 인공지능 서비스는 음성/텍스트 기반의 대화형 서비스, 딥러닝 기반의 이미지 인식, 음성 인식/전환 서비스, 머신러닝/딥러닝 플랫폼 서비스 등과 같이 서비스 유형에 따라 매우 세분화되어 있다.

한편 인공지능 서비스를 위해서는 방대한 량의 데이터를 수집, 분석하고 결과를 예측하는 기술을 필요로 하며, 이를 위해 머신러닝/딥러닝을 이용한 학습 방법을 이용하고 있다.

인공지능을 이용하여 이미지를 학습하는 종래기술로는 대한민국 공개특허 10-2018-0130925 (명칭 : 머신러닝을 위한 학습 이미지를 자동생성하는 인공지능 장치 및 그의 제어 방법 ; 이하 "종래기술"이라 칭함)이 제시되어 있다.

종래기술은 원본데이터를 복수의 변환방식 중 적어도 하나를 이용하여 복수의 후보 이미지를 생성하는 기술로서, 복수의 신경망 모델과 복수의 후보 이미지에 대해 연산효율을 계산하고 그 계산된 연산효율을 반영하여 하나의 신경망 모델과 적어도 하나의 후보 이미지를 결정한 후 학습을 진행하는 기술이다.

즉, 종래에는 관리자가 인공지능에 대한 상당한 지식을 갖추어야 하는 것은 물론 머신러닝 기술을 이용하여 이미지를 학습하는 과정을 관리자가 단계별로 수작업으로 진행하여야 함으로 작업이 복잡해지는 것은 물론 작업 속도가 저하될 수 있었다.

공개특허 10-2018-0130925 "머신러닝을 위한 학습 이미지를 자동 생성하는 인공지능 장치 및 그의 제어방법"

본 발명은 상기의 문제점을 해결하기 위하여, 업로드된 학습 이미지를 설계된 레이어(layer)에 맞게 학습 데이터로 가공하고 딥러닝 프레임워크에서 이미지를 학습하여 학습 모델을 생성하는 과정을 자동으로 진행함으로써 간편한 작업으로 원하는 이미지를 학습할 수 있도록 하는 인공지능을 이용한 이미지 자동 학습 시스템 및 그 방법을 제공하는데 목적이 있다.

또한 본 발명은 복수의 AI 서버를 채택하여 작업 데이터에 따라 적어도 하나의 AI 서버를 할당하도록 함으로써 작업 능률을 향상시키도록 하는데 다른 목적이 있다.

상기 목적을 달성하기 위한 본 발명은 학습할 이미지를 수집하고 이미지 이름을 클래스(class) 명으로 하여 클래스별로 이미지를 압축 저장하는 이미지 수집부; 압축된 신규 이미지, 이미지를 가공한 학습 데이터셋 및 학습 모델파일을 저장하는 데이터 저장부; 및 학습 요청 또는 신규로 학습할 이미지를 확인하면 상기 압축된 신규 이미지를 압축해제하여 레이어(layer) 구조에 맞게 가공하고 그 가공된 데이터를 클래스 별로 라벨링하며 딥러닝 프레임워크에 적합하게 가공하여 학습 데이터셋을 생성한 후 딥러닝을 진행하여 학습 모델파일을 생성하는 이미지 학습부;를 포함한다.

상기 이미지 학습부는 복수의 AI 서버를 포함하며, 학습이 시작될 때 복수의 AI 서버 중 가용능력이 좋은 적어도 하나의 AI 서버를 할당하여 학습을 진행하도록 함을 특징으로 한다.

상기 AI 서버의 가용 능력은 가용 가능한 GPU(Graphics Processing Unit)의 개수로 결정함을 특징으로 한다.

상기 복수의 AI 서버는 학습할 이미지가 업로드 되었을 때 설계된 레이어(layer) 모델에 맞게 이미지를 가공하고 딥러닝 프레임워크에서 처리가능한 형태로 데이터셋을 생성하는 학습 데이터 전처리 데몬(daemon)과, 딥러능 프레임워크를 이용하여 상기 데이터셋 학습을 수행하여 학습모델을 생성하는 인공지능 학습 데몬을 각각 포함한다.

상기의 이미지 수집부, 데이터 저장부 및 이미지 학습부는 유선 또는 무선 통신방식은 물론 내부통신망을 이용한 직접적 연결방식 또는 외부통신망을 이용한 원격 연결방식 중 적어도 하나의 방식으로 네트워크가 구성됨을 특징으로 한다.

또한 상기의 목적을 달성하기 위한 본 발명은 학습할 이미지를 수집하고 이미지 이름을 클래스(class) 명으로 하여 클래스별로 학습할 이미지를 압축 저장하는 단계; 학습 요청 또는 상기 수집된 학습 이미지의 업로드가 확인되면 상기 업로드된 학습 이미지를 레이어(layer) 구조에 맞게 가공하고 상기 가공된 데이터를 클래스별로 라벨링(labeling)하여 해당 디렉토리에 저장하는 단계; 상기 클래스별로 저장된 학습 데이터를 다운로드하고 딥러닝 프레임워크에서 처리 가능한 형태로 가공하여 데이터셋을 생성하는 단계; 및 학습 요청 또는 상기 데이터셋이 생성되면 상기 데이터셋을 딥러닝하여 모델 파일을 생성하는 단계;를 포함한다.

상기 단계를 진행함에 있어서, 학습 요청, 학습할 이미지의 업로드 또는 학습할 이미지에 대한 데이터셋 생성이 확인되면 복수의 AI 서버 중 가용 능력이 좋은 적어도 하나의 AI 서버를 할당하는 단계를 포함한다.

상기와 같은 본 발명은 이미지 학습을 위한 과정을 관리자가 단계별로 수작업으로 진행해야 하는 종래기술과는 달리 작업 과정을 자동화함으로써 비전문가도 손쉽고 빠르게 인공지능을 이용하여 학습을 시킬 수 있는 효과를 발휘하게 된다.

또한, 본 발명은 이미지 학습을 위해 복수의 AI 서버 중 적어도 하나의 AI 서버를 할당하여 학습을 진행함으로써 학습 능률을 향상시킬 수 있다.

도 1은 본 발명의 실시 예를 위한 인공지능 자동 학습 시스템의 블록 구성도.
도 2는 본 발명의 실시 예를 위한 인공지능 자동 학습 과정의 개략적인 흐름도.
도 3은 도 2에서 학습할 이미지에 대한 디렉토리 생성 과정의 흐름도.
도 4는 도 2에서 이미지 학습 과정의 흐름도.
도 5는 도 2에서 유휴 AI 서버의 할당 과정을 보인 도면.

이하, 본 발명에 따른 실시 예를 도면을 참조하여 설명하기로 한다.

본 발명의 실시 예에 대해서 특정한 구조 또는 기능적 설명들은 본 발명에 따른 실시 예를 설명하기 위해 예시된 것으로, 별도로 정의하지 않는 한, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 이해하는 것과 동일한 의미로 파악되어야 할 것이다. 또한 본 발명의 실시 예를 설명하기 위한 도면에서 본 발명을 명확하게 설명하기 위해 명확한 설명과 관계없는 부분은 생략하였다.

본 발명에서 학습할 이미지는 인물, 동식물, 건축물, 기계장치 등의 다양한 이미지가 포함되지만, 본 발명의 실시 예에서는 인물 즉, 사람의 얼굴 이미지를 학습하는 경우에 대해 설명하기로 한다.

도 1은 본 발명의 실시 예를 위한 인공지능 자동 학습 시스템의 블록 구성도로서 이에 도시한 바와 같이, 이미지 수집부(110), 데이터 저장부(120) 및 이미지 학습부(130)를 포함하여 구성한다.

상기 이미지 수집부(110)는 웹사이트에서 크롤링(crawling)하거나 영상 등에서 이미지를 추출하여 학습할 인물의 이미지를 수집한다. 이러한 이미지 수집부(110)는 웹서버(web server)로서, 소프트웨어 또는 그 소프트웨어를 실행하는 컴퓨터로 구성할 수 있다.

상기 데이터 저장부(120)는 학습할 인물 이미지, 그 학습할 인물 이미지를 가공한 데이터셋, 상기 데이터셋을 딥러닝하여 생성한 학습모델을 저장한다. 이러한 데이터 저장부(120)는 스토리지(storage), DB서버 또는 파일서버를 적어도 하나 포함하는 것으로, 학습할 인물정보들 및 딥러닝된 학습모델들을 저장하는 식별DB(121)와, 학습할 데이터셋을 저장하는 데이터스토리지(122)를 포함하여 구성한다.

상기 이미지 학습부(130)는 상기 이미지 수집부(110)에서 업로드된 학습할 이미지를 가공하고 딥러닝 프레임워크를 이용하여 학습모델을 생성한다. 상기 이미지 학습부(130)는 이미지 수집부(110)에서의 학습 요청 또는 상기 이미지 수집부(110)가 신규로 학습할 이미지의 업로드를 확인하여 자동으로 딥러닝을 진행할 수 있다.

이러한 이미지 학습부(130)는 많은 량의 데이터를 병렬 처리 가능하도록 복수의 AI 서버로 구성하며, 복수의 AI 서버는 학습 이미지 및 학습이 완료된 학습모델파일을 공유하여 이미 학습된 인물에 대한 신규 이미지 또는 신규 인물에 대한 학습 이미지가 업로드된 경우 손쉽게 학습이 용이하도록 구성한다.

상기 복수의 AI 서버는 학습량에 따라 적어도 하나의 AI 서버가 선택될 수 있으며, 그 선택된 AI 서버는 학습할 이미지가 업로드 되었을 때 설계된 레이어(layer) 모델에 맞게 이미지를 가공하고 딥러닝 프레임워크에서 처리가능한 형태로 데이터셋을 생성하는 학습 데이터 전처리 데몬(131)과, 딥러능 프레임워크를 이용하여 상기 데이터셋 학습을 수행하여 학습모델을 생성하는 인공지능 학습 데몬(132)를 포함하여 구성한다.

상기의 이미지 수집부(110), 데이터 저장부(120) 및 이미지 학습부(130)의 네트워크 구성은 유선 또는 무선 통신방식은 물론 내부통신망을 이용한 직접적 연결방식 또는 외부통신망을 이용한 원격 연결방식을 설계에 적합하게 선택할 수 있는데, 네트워크 구축에 필요한 적어도 하나의 통신방식을 선택하고 해당 통신방식에 적합한 API(Application Programming Interface)를 제공하도록 구성함으로써 학습할 데이터, 가공 데이터 또는 학습된 데이터의 공유가 가능하도록 하여 구성요소 상호 간의 접근성을 향상시킬 수 있도록 한다.

상기와 같이 구성한 본 발명의 실시 예에 따른 인공지능 자동 학습 방법을 도 2 내지 도 5를 참조하여 상세히 설명하면 다음과 같다.

도 2는 본 발명의 실시 예에서 딥러닝 학습 과정의 개략적인 흐름도로서 이에 도시한 바와 같이, 학습할 이미지를 수집하는 단계(S201)와, 상기 수집된 이미지를 학습 데이터로 가공하고 상기 가공된 데이터를 클래스별로 라벨링(labeling)하여 해당 디렉토리에 저장하는 단계(S202)와, 상기 클래스별로 저장된 학습 데이터를 다운로드하고 그 학습 데이터를 딥러닝 프레임워크에서 처리 가능한 형태로 가공하여 학습 데이터셋으로 생성하는 단계(S203)와, 상기 학습 데이터셋을 딥러닝 프레임워크로 학습하여 해당 클래스별 이미지의 학습 모델을 생성하는 단계(S204)로 이루어지며, 이를 상세히 설명하면 다음과 같다.

먼저, 이미지 수집부(110)는 웹사이트를 크롤링하거나 업로드된 영상에서 인물 이미지를 추출하여 학습 이미지를 수집하고 그 수집된 인물 이미지를 데이터 저장부(120)에 업로드한다.(S201)

이때, 데이터 저장부(120)에는 방대한 량의 학습 데이터 파일이 존재하기 때문에 상기 이미지 수집부(110)는 상기 수집된 인물 이미지의 클래스(class) 명을 인물 이름으로 하여 상기 데이터 저장부(120)에 해당 디렉토리를 만들고 상기 인물 이미지를 압축하여 상기 생성된 디렉토리에 저장한다.

또한, 상기 이미지 수집부(110)는 신규로 학습할 인물 이미지를 데이터 저장부(120)에 저장한 후 학습할 인물의 이미지가 있음을 이미지 학습부(130)에 알려 학습을 요청할 수 있다. 또한 상기 이미지 학습부(130)는 주기적으로 신규로 학습할 이미지가 존재하는지 이미지 수집부(110)에 확인하여 학습을 진행할 수 있다.

이때, 상기 이미지 학습부(130)는 이미지 수집부(110)에서의 학습 요청 또는 이미지 수집부(110)로의 확인에 따른 학습할 이미지가 있음을 확인하면 이미지 학습에 따른 다음 과정을 진행하게 된다.

즉, 학습 요청 또는 학습할 이미지가 확인되면 상기 수집된 이미지를 학습 데이터로 가공하는 단계(S202)를 진행하는데, 이미지 학습부(130)은 복수의 AI 서버 중 가용 능력이 좋은 적어도 하나의 AI 서버를 선택한다.

이때, 상기 선택된 적어도 하나의 AI 서버에 있는 학습 데이터 전처리 데몬(131)이 데이터 저장부(120)에서 해당 학습할 이미지를 다운로드하여 이미지 중 얼굴 부분만을 추출(detect)하고 설계된 레이어(layer)에 맞게 가공하며 상기 가공된 데이터를 해당 클래스 정보가 포함되는 라벨(label) 파일로 생성하고 라벨(label) 디렉토리별로 저장한다.

이때, 학습 데이터 전처리 데몬(131)은 학습할 신규의 이미지를 디렉토리별로 데이터 저장부(120)에 저장함에 있어서 도 3의 흐름도에 도시한 바와 같이, 상기 가공된 데이터에 대해 신규 인물의 얼굴 이미지인지 또는 기존에 학습된 인물의 얼굴 이미지인지를 확인하고(S301), 신규 인물의 얼굴 이미지라면 신규 인물 정보를 등록함과 아울러 해당 인물에 대한 디렉토리를 생성하여 해당 인물의 이미지를 저장하고(S302) 기존에 학습된 인물의 이미지로 확인되면 기존에 생성된 해당 디렉토리에 해당 이미지를 추가하여 업데이트한다(S303).

이후, 상기 가공된 데이터를 딥러닝 프레임워크에 적합하게 학습 데이터셋으로 생성(S203)하고, 상기 학습 데이터셋을 딥러닝 프레임워크로 학습하여 학습모델을 생성(S204)하는 단계를 진행하는데, 이 과정을 도 4의 흐름도를 참조하여 설명하면 다음과 같다. 도 4는 본 발명의 실시 예에서 인공지능 자동 학습 과정의 흐름도이다.

먼저, 이미지 학습부(130)는 이미지 수집부(110)에서의 학습 요청 또는 상기 처리과정으로 신규의 학습 이미지가 저장되었음이 확인(S401)되면 복수의 AI 서버 중 가용 가능한 AI 서버를 확인하여 상기에서 라벨 디렉토리별로 저장된 해당 학습 이미지를 처리할 적어도 하나의 AI 서버를 결정한다(S402)(S403).

이때, 상기 선택된 적어도 하나의 AI 서버에 있는 학습 데이터 전처리 데몬(131)은 데이터 저장부(120)에 생성된 디렉토리별로 저장된 해당 학습 이미지를 다운로드하고 딥러닝 프레임워크에서 처리 가능한 형태의 데이터로 가공하여 데이터셋을 생성하여 해당 인물의 데이터셋 저장을 위해 생성된 디렉토리에 저장하게 된다(S404).

이후, 상기 선택된 적어도 하나의 AI 서버에 있는 인공지능 학습 데몬(132)은 상기에서 저장된 데이터셋을 딥러닝 프레임워크에 로드하여 학습을 진행하고 그 결과로서 학습 모델을 생성하게 된다(S405). 상기 학습모델은 trained model weights 변수로 정의될 수 있다.

한편, 상기에서 복수의 AI 서버 중 가용능력이 좋은 적어도 하나의 AI 서버를 할당하는 과정을 도 5를 참조하여 설명하면 다음과 같다.

먼저, 이미지 학습부(130)는 복수의 AI 서버 중 유휴 AI 서버에 대한 정보를 이미지 저장부(120)로부터 얻는다. 이는 딥러닝에 관한 작업 내용을 이미지 저장부(120)의 DB에서 관리하기 때문에 DB에 등록된 복수의 AI 서버의 정보를 얻어 유휴 AI 서버의 정보를 얻는 것이다.

본 발명의 실시 예에서는 학습 요청 또는 신규의 학습할 이미지가 확인된 경우 복수의 AI 서버별로 사용 가능한 GPU(Graphic Processing Unit)의 개수를 확인하고 그 중 가장 유휴 GPU가 많은 AI 서버로 학습 작업을 할당한다. 도 5a)는 가장 유휴 GPU가 많은 AI 서버에 작업을 할당하는 과정을 도시한 것이다.

또한, 복수의 AI 서버에 대해 사용 가능한 GPU의 개수를 확인하였으나, 사용가능한 GPU가 존재하지 않는 경우 이미지 학습부(130)는 복수의 AI 서버별로 GPU의 작업 상황을 점검하여 가장 대기 작업 갯수가 적은 AI 서버를 학습 작업에 할당한다.

이상에서 본 발명의 실시예에 대하여 도면을 참조하여 설명하였으나, 이는 예시적인 것으로 본 발명이 이에 한정되는 것이 아니고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 개량이 가능하다는 것을 이해하여야 할 것이다.

110 : 이미지 수집부 120 : 데이터 저장부
130 : 이미지 학습부 131 : 학습 데이터 전처리 데몬
132 : 인공지능 학습 데몬

Claims (8)

1. 학습할 이미지를 수집하고 이미지 이름을 클래스(class) 명으로 하여 클래스별로 이미지를 압축 저장하는 이미지 수집부;
   압축된 신규 이미지, 이미지를 가공한 학습 데이터셋 및 학습 모델파일을 저장하는 데이터 저장부; 및
   복수의 AI 서버를 포함하며, 학습 요청 또는 신규로 학습할 이미지를 확인하면 상기 압축된 신규 이미지를 압축해제하여 레이어(layer) 구조에 맞게 가공하고 그 가공된 데이터를 클래스 별로 라벨링하며 딥러닝 프레임워크에 적합하게 가공하여 학습 데이터셋을 생성한 후 딥러닝을 진행하여 학습 모델파일을 생성하는 이미지 학습부;를 포함하는 인공지능을 이용한 이미지 자동 학습 시스템.
2. 제1항에 있어서, 상기 이미지 학습부는
   학습이 시작될 때 복수의 AI 서버 중 가용능력이 좋은 적어도 하나의 AI 서버를 할당하여 학습을 진행하는 것을 특징으로 하는 인공지능을 이용한 이미지 자동 학습 시스템.
3. 제2항에 있어서, 상기 AI 서버는
   가용 능력이 현재 가용 가능한 GPU(Graphics Processing Unit)의 개수로 결정됨을 특징으로 하는 인공지능을 이용한 이미지 자동 학습 시스템.
4. 제2항 또는 제3항에 있어서, 상기 AI 서버는
   학습할 이미지가 업로드 되었을 때 설계된 레이어(layer) 모델에 맞게 이미지를 가공하고 딥러닝 프레임워크에서 처리가능한 형태로 데이터셋을 생성하는 학습 데이터 전처리 데몬(daemon)과,
   딥러능 프레임워크를 이용하여 상기 데이터셋 학습을 수행하여 학습모델을 생성하는 인공지능 학습 데몬을 각각 포함하는 인공지능을 이용한 이미지 자동 학습 시스템.
5. 제1항 또는 제2항에 있어서, 상기 복수의 AI 서버는
   유선 또는 무선 통신방식은 물론 내부통신망을 이용한 직접적 연결방식 또는 외부통신망을 이용한 원격 연결방식 중 적어도 하나의 방식으로 상기 이미지 수집부 및 데이터 저장부와의 네트워크가 구성되어, 학습 관련 데이터를 공유할 수 있도록 하는 인공지능을 이용한 이미지 자동 학습 시스템.
6. 제1항에 있어서, 상기 데이터 저장부는
   스토리지(storage), DB서버 또는 파일서버 중 적어도 하나 포함하는 인공지능을 이용한 이미지 자동 학습 시스템.
7. 수집된 학습 이미지들이 해당 이미지 이름을 클래스(class) 명으로 하여 학습할 이미지로 압축 저장되는지 확인하는 단계;
   업로드된 학습 이미지를 압축 해제하여 레이어(layer) 구조에 맞게 가공하는 단계;
   상기 가공된 데이터를 클래스별로 라벨링(labeling)하고 클래스별로 라벨링된 이미지를 딥러닝 프레임워크에서 처리 가능한 형태로 가공하여 데이터셋을 생성하는 단계; 및
   상기 데이터셋을 딥러닝하여 모델 파일을 생성하는 단계를 복수의 AI 서버 중 적어도 하나의 AI 서버에서 진행하는 것을 특징으로 하는 인공지능을 이용한 이미지 자동 학습 방법.
8. 제7항에 있어서, 학습 요청, 수집된 학습 이미지의 업로드 또는 데이터셋 생성이 확인되면 복수의 AI 서버 중 가용 능력이 좋은 적어도 하나의 AI 서버를 할당하는 단계를 더 포함하는 인공지능을 이용한 이미지 자동 학습 방법.

Images