Kuvadatan annotointiprosessi YOLO-mallin koulutuksessa

Abstract

Opinnäytetyö liittyy Centria TKI:n Optiwood-projektiin. Projektissa kerättiin dataa puuteollisuuden pintakäsitellyistä materiaaleista ja niiden mahdollisista tuotantovirheistä, suoritettiin annotointiprosessi kuvissa esiintyville virheille sekä valmisteltiin annotoiduista kuvista tietoaineisto YOLO-mallin kouluttamista varten.

Opinnäytetyön tavoitteena oli analysoida annotointiprosessin keskeisiä vaiheita, tunnistaa mahdolliset haasteet ja arvioida käytettyjen työkalujen sekä menetelmien soveltuvuutta. Lisäksi työssä tarkasteltiin, kuinka annotoinnin laatu vaikutti syväoppimismallin suorituskykyyn ja mitä parhaita käytäntöjä voidaan hyödyntää vastaavissa projekteissa. Tavoiteltuna lopputuloksena syntyi dokumentoitu annotointiprosessi, joka sisältää valitun annotointistrategian, työkalujen ja tiedostomuotojen perustelut sekä suositukset jatkokehitystä varten.

Opinnäytetyön konkreettisena tuotoksena syntyi laadukkaasti annotoitu tietoaineisto, joka on optimoitu YOLO-mallin koulutukseen. Tämä tietoaineisto tukee Optiwood-projektin tavoitteita kehittää luotettava virheentunnistusjärjestelmä puuteollisuuden pintakäsittelyn tarpeisiin.

This thesis is related to Centria RDI’s Optiwood project. As part of the project tasks, image data of surface-treated wood materials and their possible production defects was collected. The annotation process was carried out for the defects in image data, and a dataset of annotated images was prepared for training a YOLO model.

The aim of the thesis was to analyse the stages of the annotation process, identify potential challenges and evaluate the suitability of the tools and methods used. In addition, the study examined how the quality of the annotation affected the performance of the deep learning model and identified best practises that could be applied in similar projects. The desired result was a documented annotation process that includes the chosen annotation strategy, justifications for the selected tools and file formats, and recommendations for further development.

The concrete result of the thesis was a high-quality annotated dataset that has been optimized for the training of YOLO model. This dataset supports the goals of the Optiwood project to develop a reliable defect detection system for the needs of wood industry’s surface treatment.