TIL_260107

Today I learned

 

 

1. [라이브세션] 멀티모달 2회차

1. 강의 목적

이번 수업은 CNN 기반 이미지 분류와 전이학습을 이해하고, 이를 확장해 **제조업 불량 검출(Object Detection)**까지 적용하는 것을 목표로 한다.
MNIST, Cats vs Dogs, YOLOv8 실습을 통해 컴퓨터 비전의 전체 흐름을 경험한다.

 

---

2. 컴퓨터 비전 작업 유형 정리

컴퓨터 비전은 다음과 같은 주요 문제로 구분된다.

• Image Classification: 이미지 전체를 하나의 클래스로 분류
• Classification + Localization: 분류 + 객체 위치
• Object Detection: 이미지 내 여러 객체의 위치와 클래스 예측
• Instance Segmentation: 객체 단위 픽셀 수준 분할

이번 회차의 중심은 Image Classification → Object Detection으로 확장하는 구조다.

 

---

3. 전이학습(Transfer Learning)

개념

• ImageNet 등 대규모 데이터로 사전 학습된 모델의 가중치를 새로운 문제에 활용
• 학습 시간 단축 + 적은 데이터에서도 높은 성능 확보 가능

두 가지 방식

① Feature Extraction

• CNN backbone은 freeze
• 마지막 classifier만 학습
• 데이터가 적을 때 유리

② Fine-tuning

• 전체 레이어를 trainable로 설정
• 모델을 새로운 데이터에 맞게 미세 조정
• 데이터가 충분할수록 성능 향상 가능

•  

---

4. 데이터 증강(Data Augmentation)

목적

• 과적합 방지
• 모델의 일반화 성능 향상
• 데이터 부족 문제 완화

주요 기법

• 회전, 반전
• Crop
• 색상/채도 변경
• 노이즈 추가

 

•  

---

5. ImageNet과 CNN 발전 흐름

• ILSVRC(ImageNet Challenge)를 통해 CNN 성능 급격히 발전
• 2012년 AlexNet이 딥러닝 전환점
• 이후 VGG → GoogLeNet → ResNet 등장
• 2015년 이후 인간 인식 정확도 초과

 

•  

---

6. 주요 모델 정리

VGG16 / VGG19

• 3×3 convolution 기반의 단순한 구조
• 전이학습에 자주 활용
• 깊어질수록 성능 저하 한계 존재

ResNet

• Skip Connection(Residual Block) 구조
• Gradient Vanishing 문제 해결
• 매우 깊은 네트워크(최대 152 layers) 학습 가능

 

•  

---

7. 실습 내용

• Cats vs Dogs 이미지 분류 (전이학습 적용)
• ImageNet 사전학습 모델 활용
• YOLOv8 기반 제조업 불량 이미지 결함 검출
• 결함 검출 결과 시각화 및 성능 개선 논의

 

•  

2. 최종프로젝트

데이터셋 매칭 성공

IQR기반 ± cycletime