ArchLens

AWS 아키텍처 다이어그램 분석을 위한 실험 프로젝트입니다. YOLO 모델을 사용하여:

Classification: 개별 서비스 아이콘 이미지를 클래스로 분류
Detection: 아키텍처 다이어그램에서 아이콘 위치를 탐지

두 가지 작업을 통해 다이어그램을 자동으로 분석합니다.

📸 실험 결과 미리보기

Classification 실험 예측 결과

입력: 개별 서비스 아이콘 이미지 (64x64 픽셀)
출력: 서비스 클래스 예측 (Top-5)

Detection 실험 예측 결과

입력: AWS 아키텍처 다이어그램 (여러 아이콘 포함)
출력: 바운딩 박스로 표시된 아이콘 위치 및 서비스 클래스

💡 참고: 실험 결과 이미지는 로컬에서 확인하거나, experiments/README.md를 참고하세요.

🎯 주요 기능

YOLO Classification: 개별 AWS 서비스 아이콘 이미지를 입력받아 "무슨 서비스인가?"를 분류
- 입력: 단일 아이콘 이미지 (예: S3 아이콘 1개, 64x64 픽셀)
- 출력: 서비스 클래스 및 신뢰도 (예: "Amazon S3: 92.3%")
YOLO Detection: AWS 아키텍처 다이어그램 전체를 입력받아 "어디에 어떤 아이콘이 있는가?"를 탐지
- 입력: 아키텍처 다이어그램 이미지 (여러 아이콘이 포함된 큰 이미지)
- 출력: 바운딩 박스 좌표 + 서비스 클래스 (각 아이콘의 위치와 종류)
실험 결과 시각화: 학습 곡선, Confusion Matrix, 예측 결과 시각화

🏗️ 아키텍처

ArchLens/
├── experiments/            # 실험 디렉터리
│   ├── classification/    # YOLO Classification 실험
│   └── detection/         # YOLO Detection 실험
├── backend/               # 백엔드 패키지
├── data/                  # 데이터
├── docs/                  # 문서
└── scripts/               # 스크립트 파일

🚀 빠른 시작 (uv)

git clone https://github.com/sungminwoo0612/hit-archlens-project.git
cd hit-archlens-project
uv sync
uv run archlens demo

또는 직접 이미지 분석:

uv run archlens analyze <이미지_경로> --output runs/demo

요구사항:

Python: 3.10+ (3.11+ 권장)
uv: 설치 가이드

💡 다른 환경 관리 도구 사용하기: conda를 사용하려면 docs/setup_conda.md를 참고하세요.

📁 출력 구조

archlens analyze 또는 archlens demo 실행 후 생성되는 파일 구조:

runs/demo/
├── demo_result.json                    # 데모 분석 결과 (JSON)
└── hybrid_results_conf_0_5/            # analyze 명령어 출력 (임계값별)
    ├── analysis_result_000.json        # 개별 이미지 분석 결과
    ├── visualizations/                  # 시각화 결과
    │   ├── confidence_distribution.png
    │   ├── service_distribution.png
    │   ├── processing_time.png
    │   ├── detection_counts.png
    │   ├── normalization_success_rate.png
    │   ├── detection_status_distribution.png
    │   └── {image_name}_detections.jpg # 바운딩 박스가 그려진 이미지
    └── evaluation/                      # 평가 결과 (여러 임계값 사용 시)
        └── threshold_analysis/
            └── hybrid_threshold_summary.csv

주요 출력 파일 설명:

demo_result.json: 단일 이미지 분석 결과 (서비스명, 신뢰도, 바운딩 박스 좌표)
analysis_result_*.json: 배치 분석 시 각 이미지별 결과
*_detections.jpg: 원본 이미지에 바운딩 박스와 레이블이 그려진 시각화 결과

🎯 YOLO Classification 학습

목적: 개별 AWS 서비스 아이콘 이미지를 입력받아 서비스 클래스를 분류하는 모델 학습

사용 사례:

아이콘 이미지 1개가 주어졌을 때 "이게 무슨 AWS 서비스인가?"를 판단
입력: 단일 아이콘 이미지 (예: Arch_Amazon-S3_64.png)
출력: 서비스 클래스 및 신뢰도 (예: "Amazon S3: 92.3%")

빠른 시작

1. 데이터셋 준비

라벨링 작업: Label Studio를 사용하여 AWS 다이어그램에서 아이콘 위치 및 클래스 라벨링

라벨링 작업 화면: 라벨링 작업 화면

uv run python scripts/prepare_yolo_dataset.py --mode fine

2. 모델 학습

uv run python scripts/train_yolo_cls.py --mode fine --epochs 100 --imgsz 256

3. 모델 평가

uv run python scripts/eval_yolo_cls.py \
    --model runs/classify/fine_cls_*/weights/best.pt \
    --mode fine \
    --split test

4. 이미지 예측

단일 이미지:

uv run python scripts/predict_yolo_cls.py \
    --model runs/classify/fine_cls_yolov8n-cls/weights/best.pt \
    --source "dataset/icons/images/fine/amazon s3/Arch_Amazon-S3_64.png" \
    --mode fine \
    --top-k 5

디렉터리 전체:

uv run python scripts/predict_yolo_cls.py \
    --model runs/classify/fine_cls_yolov8n-cls/weights/best.pt \
    --source "dataset/icons/images/fine/amazon s3" \
    --mode fine \
    --save-json \
    --save-txt

상세 가이드

📊 실험 결과

최고 성능 실험: YOLO Classification (yolo-cls16)

최고 성능을 달성한 YOLO Classification 실험 결과입니다.

성능 지표:

Top-1 Accuracy: 20.83%
Top-5 Accuracy: 75.00%
Validation Loss: 2.375
클래스 수: 64개 (fine-grained)
데이터 분할: Train 447 / Val 96 / Test 96

시각화 결과:

학습 곡선

Confusion Matrix

검증 예측 결과

더 자세한 실험 결과는 experiments/README.md를 참고하세요.

최고 성능 실험: YOLO Detection (aws_icon_detector_trial_14)

최고 성능을 달성한 YOLO Detection 실험 결과입니다.

성능 지표:

mAP50-95: 80.48%
최적 하이퍼파라미터: Learning Rate 0.00298, Optimizer AdamW
클래스 수: 119개 AWS 서비스
데이터셋: ~1,000개 이미지

시각화 결과:

학습 곡선

Precision-Recall 곡선

F1 Score 곡선

Confusion Matrix

검증 예측 결과

🔍 YOLO Detection 학습

목적: AWS 아키텍처 다이어그램 전체에서 아이콘의 위치와 종류를 탐지하는 모델 학습

사용 사례:

아키텍처 다이어그램 이미지가 주어졌을 때 "어디에 어떤 서비스 아이콘이 있는가?"를 탐지
입력: 아키텍처 다이어그램 이미지 (여러 아이콘이 포함된 큰 이미지)
출력: 바운딩 박스 좌표 + 서비스 클래스 (각 아이콘의 위치와 종류)

더 자세한 내용은 experiments/README.md를 참고하세요.

📚 문서

프로젝트의 모든 문서는 docs/ 디렉터리에 체계적으로 정리되어 있습니다.

사용 가이드 (docs/01_guides/):
- YOLO 학습 가이드
- 추론 가이드
참고 자료 (docs/02_reference/): 프로젝트 개요, 모듈 비교, 기술 용어집 등

Navigation Menu

ArchLens

📸 실험 결과 미리보기

Classification 실험 예측 결과

Detection 실험 예측 결과

🎯 주요 기능

🏗️ 아키텍처

🚀 빠른 시작 (uv)

📁 출력 구조

🎯 YOLO Classification 학습

빠른 시작

1. 데이터셋 준비

2. 모델 학습

3. 모델 평가

4. 이미지 예측

상세 가이드

📊 실험 결과

최고 성능 실험: YOLO Classification (yolo-cls16)

학습 곡선

Confusion Matrix

검증 예측 결과

최고 성능 실험: YOLO Detection (aws_icon_detector_trial_14)

학습 곡선

Precision-Recall 곡선

F1 Score 곡선

Confusion Matrix

검증 예측 결과

🔍 YOLO Detection 학습

📚 문서

🔗 관련 링크

FilesExpand file tree

README.md

Latest commit

History

README.md

File metadata and controls

ArchLens

📸 실험 결과 미리보기

Classification 실험 예측 결과

Detection 실험 예측 결과

🎯 주요 기능

🏗️ 아키텍처

🚀 빠른 시작 (uv)

📁 출력 구조

🎯 YOLO Classification 학습

빠른 시작

1. 데이터셋 준비

2. 모델 학습

3. 모델 평가

4. 이미지 예측

상세 가이드

📊 실험 결과

최고 성능 실험: YOLO Classification (yolo-cls16)

학습 곡선

Confusion Matrix

검증 예측 결과

최고 성능 실험: YOLO Detection (aws_icon_detector_trial_14)

학습 곡선

Precision-Recall 곡선

F1 Score 곡선

Confusion Matrix

검증 예측 결과

🔍 YOLO Detection 학습

📚 문서

🔗 관련 링크