Custom Data로 이미지 분류 전이학습 하기

이 게시물은 이미지 검색에 활용되는 유사 이미지 분류 기술을 구현하기 위한 전이학습 기반 방법과 DenseNet 모델 선정 및 학습 과정을 소개합니다.

전이학습 이해 및 적용

• 전이학습은 기존 학습된 모델 가중치를 활용해 다른 데이터셋에 적용하는 기술로, 적은 데이터셋으로도 우수한 성능을 보임
• 초기 레이어는 일반적 특징 추출에 사용되고, 후반 레이어는 특정 데이터셋에 맞게 재학습 필요
• Fine-tuning, 고정 기능 추출기, 사전학습 모델 활용 등의 전이학습 키워드 설명

DenseNet 모델 및 구조

• DenseNet은 레이어 간 모든 이전 출력을 다음 레이어 입력에 연결하는 구조로 특징 재사용과 그레디언트 소멸 문제 완화
• block과 transition layer로 채널 수와 이미지 크기를 조절하며 연산 효율성을 높임
• torchvision 라이브러리 기반 객체지향적 코드로 모델 구조를 이해하고 커스터마이징 가능

학습 구현 및 결과

• PyTorch로 데이터 로딩, optimizer, 손실함수 설정 후 분류기 부분만 전이학습 진행
• 학습 중 적응적 학습률 조절과 주기적 검증 및 모델 가중치 저장 수행
• 학습 결과를 CSV와 히트맵으로 시각화하여 각 카테고리별 정확도를 분석

결론 및 협업 경험

• 분류기만 학습 시 빠른 속도와 다양한 카테고리에 대응 가능
• 평균 정확도 90% 이상 확인
• 협업 시 yaml 파일 관리, 예외 처리, 개발 환경 차이 등에서 발생한 시행착오 공유