01. 딥러너란?

딥러너는 초간단 자바스크립트로 복잡한 인공지능 서비스를 쉽게 구현할 수 있습니다. 대형 시스템이나 클라우드가 필요 없는 소형, 저소비전력의 엣지 디바이스입니다.

02. 모델종류

NC601

• 입력: HDMI 1포트
• 출력: HDMI, Ipstream, serial port, GPIO pinout
• 보드사이즈: 65x95mm
• 케이스: 플라스틱
• 용도: 공장자동화, 차량around view alarm, 드론, CCTV카메라 등
• 지원 딥러닝 모델 (속도):  Classification: GoogleNet(Inception V1) 28fps, MobileNet V2 60fps Object detection: YOLO(320x180 input) 8fps, Tiny YOLO(320x180 input) 30fps, SSD300/MobileNet 30fps

NC601B

• 입력: HDMI 1포트
• 출력: HDMI, 웹인터페이스, Ipstream, serial port, GPIO pinout
• 보드사이즈: 150x150mm
• 케이스: 알루미늄
• 용도: 공장자동화 등
• 지원 딥러닝 모델 (속도): Classification: MobileNet V2 60fps Object detection: SSD300/MobileNet 30fps

NC901

• 입력: IP카메라 16채널 또는 HDMI 1포트
• 출력: HDMI, 웹인터페이스, Ipstream, serial port, GPIO pinout
• 보드사이즈: 150x150mm
• 케이스: 알루미늄
• 용도: 보안/안전/리테일 서비스
• 지원 딥러닝 모델 (속도): Classification: MobileNet V2 60fps Object detection: SSD300/MobileNet 30fps

NC601M

03. 지원하는 딥러닝 알고리즘과 인식률

• 딥러너는 세계적으로 잘 알려진 딥러닝 알고리즘(SSD300, Inception v1 등)의 인식률로 정확하게 실행하여 인식. [사람의 뇌 = 딥러닝 알고리즘]
• 딥러닝 기술의 특성상 아무리 기능이 좋은 알고리즘이라 하더라도 이용자가 어떤 물체를 어떤 이미지로 학습하는가에 따라 정확한 인식률은 바뀜. [이용자가 해야 하는 일 = 인식하고 싶은 객체의 다양한 이미지 데이터를 수집]
• 고객에게 펌웨어 업그레이드 파일 제공. 지원되는 딥러닝 알고리즘은 상시 추가될 예정.

04. 딥러닝 학습

• 사람, 자동차 등 일반적인 90개의 물체는 미리 학습된 모델을 제공하여  별도의 학습이 필요하지 않음
• 사용자 고유의 물체는 텐서플로를 이용하여 사용자가 학습시켜 사용 (학습가이드에 따라 진행)
• 학습이미지 자동수집기능을 제공

05. 기능

딥러너는 분류(Classification) 알고리즘과 위치감지(Detection/Location) 알고리즘을 함께 지원. 사용자가 원하는 응용의 성격에 따라 알고리즘을 선택하여 사용.

• 분류(Classification) : 이 이미지는 어떤 물체에 관한 것인가?

• 위치감지(Detection/Location) : 이 이미지 안에는 어떤 물체들이 어디에 있는가?

• 멀티뷰 : 설정에 따라 딥러너 한대당 최대 16개 채널 동시 인식.

06. 어떤 물체를 인식할 수 있나?

• 특징을 가진 모든 물체 뿐 아니라 성별, 연령, 감정, 복장 등의 다양한 카테고리 인식 가능. (*단 개개인의 안면인식 기능은 현재 지원되지 않습니다.)
• 화면에서 사람 눈으로 구별가능한 크기와 거리라면 딥러너도 잘 인식할 수 있음. 그러나 크기, 길이를 구별하는 것은 딥러너에 입력되는 카메라 줌 기능과 객체의 위치가 고정되어 있을때 가능.

07. 웹인터페이스

간단한 자바스크립트 몇 줄이면 다양한 인공지능 서비스를 구현할 수 있습니다. 디바이스와 연동하기 위해 인터넷 브라우저 하나면 충분! 

별도의 접속프로그램이 필요하지 않습니다. 

• 부재알림을 구현하는 자바스크립트 예 :

• 다른 예 :

08. 시스템 구성도

• 최대 16개까지의 유무선 IP카메라를 접속하여 동시에 인식

09. 기존 GPU 기반의 딥러닝 시스템과 비교했을 때 딥러너의 장점

• 기존 GPU 기반의 딥러닝 시스템은 컴퓨터에 GPU 자체가 큰 부피, 높은 비용과 많은 전력이 필요하고 추가적인 딥러닝 개발환경을 필요로 하기 때문에 딥러닝 전문가가 아닌 일반 개발자들이 딥러닝 기능을 사용하기에 많은 어려움이 있음.
• 그러나 딥러너는 GPU가 아닌 FPGA로 구현된 소형, 저전력 모듈로써 GPU 대비 낮은 비용과 이미 모듈 자체에 딥러닝 알고리즘 계산이 가능하게끔 설계되어 있어 이용자는 딥러닝 인식에 있어서는 추가적인 개발이 필요하지 않음.
• 임의의 큰 시스템에서 딥러닝 영상인식이 필요한 부분에 하나의 부품으로써 범용적으로 활용가능.