[KT AIVLE] 9주차 정리(4차 미니프로젝트)

0. 개요

---

이번주에는 시각지능 딥러닝 학습을 진행하였습니다.

월	화	수	목	금
4차 미니프로젝트	4차 미니프로젝트	4차 미니프로젝트	4차 미니프로젝트	4차 미니프로젝트

1. FaceNet 모델 제작

• 데이터 준비:
  • 본인 얼굴과 다른 사람 얼굴 이미지를 Training, Validation, Test 세트로 분할.
  • 이미지를 160x160 크기로 스케일링.
• FaceNet 모델 생성:
  • Pretrained FaceNet 모델을 불러와 가중치 적용 및 레이어 일부 고정.
  • Dense 레이어를 추가하여 이진 분류 문제로 변형.
• 학습 및 저장:
  • 모델 학습 시 EarlyStopping, ModelCheckpoint 활용.
  • 학습 완료 후 .keras 파일로 저장 및 다운로드.

2. YOLO 활용 실습

(1) YOLO-cls

• 데이터 준비:
  • 본인 얼굴과 다른 사람 얼굴 데이터를 YOLO-cls 요구 형식(train, val, test)으로 재구성.
• 모델 학습:
  • YOLOv11n-cls 모델로 10 Epoch 동안 학습.
  • 학습 후 Top-1 및 Top-5 정확도 평가.
• 모델 저장:
  • 최적 가중치를 .pt 파일로 저장 및 다운로드.

(2) YOLO-detect

• 데이터 준비:
  • 얼굴 인식 데이터를 크롭 및 리사이즈하여 라벨과 함께 YOLO-detect 요구 형식으로 구성.
  • 데이터셋 정보를 포함한 YAML 파일 생성.
• 모델 학습:
  • YOLOv11n 모델을 사용해 학습(10 Epoch).
  • 하이퍼파라미터 최적화 적용.
• 모델 저장 및 추론:
  • 학습된 모델로 얼굴 감지 수행.
  • 최적화된 가중치를 .pt 파일로 저장.

3 ) 느낀점

---

다중 이미지 분류 결과가 낮게 나온 점을 확인하였습니다. 이는 여러 요인에 기인할 수 있으나, 현재 사용된 데이터셋이 단일 분류 문제에 적합하도록 구성되었다는 점이 주요 원인으로 보입니다.
이를 개선하기 위해서는 한 이미지에 다양한 클래스의 요소를 포함한 데이터셋을 활용하여 모델을 학습시키는 접근이 필요할 것입니다..
이러한 방법은 보다 효과적인 다중 이미지 분류 모델을 구축하는 데 기여할 수 있을것으로 생각됩니다.

이번 프로젝트를 통해 학습 기반 알고리즘과 모델 설계에서 하이퍼파라미터 튜닝과 모델 구조의 중요성도 크지만, 무엇보다 데이터의 품질과 적합성이 성공적인 모델 성능의 핵심이라는 점을 깊이 깨달을 수 있었습니다.

4 ) 실습 코드

---

실습코드는 아래 링크에서 확인 가능합니다.
3차 미니 프로젝트