[딥러닝] CNN 전이학습을 이용한 이미지 분류

소개글

"CNN 전이학습을 이용한 이미지 분류"에 대한 내용입니다.

목차

1. 데이터셋 구성
2. 신경망 학습
3. 학습결과

본문내용

1. 데이터셋 구성

본 과제의 클래스는 종류는 3가지이며 키보드, 마우스, 모니터를 분류하기 위한 이미지 데이터셋을 구성하였다. 해당 데이터셋은 총 795개의 이미지로 구성하였으며, 각 클래스당 이미지 개수는 265개로 세 클래스 모두 같다. 데이터셋의 이미지의 출처는 구글 이미지 검색사이트에 각각 ‘키보드’, ‘마우스’, ‘모니터’의 검색어를 입력한 결과 이미지이다. 웹 크롤링 라이브러리인 Selenium을 이용하여 구글(Google)에서 이미지를 검색한 후, 검색 목록에 나오는 썸네일 이미지를 다운로드하는 파이썬 코드를 이용하여 수집하였다. 크롤링한 각 클래스 이미지에 다른 클래스에 해당하는 이미지가 같이 존재하는 경우가 있어 여러 클래스가 동시에 존재하는 이미지는 직접 확인하여 삭제하는 작업을 통해 데이터셋을 완성하였다. 완성된 데이터셋의 80%인 212개를 Training 데이터셋에, 20%인 53개를 Validation 데이터셋으로 분류하였다. Test 데이터셋은 학습에 사용되지 않은 이미지로 구성하였고 클래스별로 실제 촬영한 사진 2장씩을 사용하였다. 사용한 Test 데이터셋 이미지는 표 1-1과 같다.

2. 신경망 학습

신경망을 학습하기 위한 소스코드는 제공된 기본 소스코드를 사용하였다. 소스코드에서 이미지 전처리를 위한 크기 변환, 좌우 반전, 정규화 등의 설정값은 변경하지 않고 그대로 사용하였다. 학습을 위한 Training 데이터셋, validation 데이터셋, test 데이터셋은 구글 드라이브에 저장한 후 해당 경로를 마운트하였다. 학습된 과정과 결과를 시각화하기 위하여 각 Epoch마다 출력되는 Loss와 Accuracy 그래프를 출력하는 소스코드와 Test 데이터셋에 대한 성능 결과를 알려주는 소스코드를 추가하였다. Epoch값으로 3을 입력하여 전체 소스코드의 동작 확인을 동작 확인을 진행하였다. 소스코드의 동작 확인 완료 후 학습을 시작하였다. 학습의 파라미터 값은 기본 소스코드의 파라미터 값을 그대로 사용하였다. 적용된 파라미터 값은 다음과 같다.

참고 자료

없음