Python Academy · 강의

이미지 분류 프로젝트

기본 CNN 모델 구축하기

이미지 분류 프로젝트은(는) CoddyKit의 무료 Python Academy 강의입니다. 이것은 5개 중 4번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Python Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Python Academy 강의에는 총 5개의 강의가 포함되어 있습니다.

이미지 분류 프로젝트

이 프로젝트에서는 이미지를 범주로 분류하는 간단한 CNN을 만들어 보겠습니다. 이미지 분류는 입력 이미지의 범주나 레이블을 예측하는 작업입니다.

분류용 데이터세트

비행기, 자동차, 새, 고양이 등 10개 범주에 속하는 이미지 60,000개로 구성된 CIFAR-10 데이터세트를 사용하겠습니다. 각 이미지는 32×32픽셀이며 3개의 색상 채널(RGB)을 가집니다.

데이터세트 불러오기

TensorFlow를 사용하여 CIFAR-10 데이터세트를 불러오겠습니다:

import tensorflow as tf
from tensorflow.keras.datasets import cifar10

# Load dataset
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# Normalize the pixel values to [0, 1]
x_train = x_train / 255.0
x_test = x_test / 255.0

print("Training data shape:", x_train.shape)

CNN 모델 구축

합성곱, 풀링, 완전 연결 계층으로 구성된 CNN 아키텍처를 정의하겠습니다:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# Define the CNN model
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

모델 컴파일하기

다음과 같이 모델을 compile합니다:

손실 함수: 다중 클래스 분류를 위한 범주형 교차 엔트로피입니다.
최적화기: 효율적인 학습을 위한 Adam 최적화기입니다.
평가 지표: 성능을 evaluate하는 정확도입니다.

# Compile the model
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

모델 훈련하기

훈련 데이터를 사용하여 10 에포크 동안 모델을 훈련합니다. 훈련 중에 모델은 이미지를 범주로 분류하는 방법을 학습합니다.

# Train the model
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

모델 평가하기

훈련 후 시험 데이터에 대해 모델을 evaluate하여 정확도를 확인합니다:

# Evaluate the model
loss, accuracy = model.evaluate(x_test, y_test)
print(f"Test Accuracy: {accuracy * 100:.2f}%")

예측 수행하기

훈련된 모델을 사용하여 새 이미지에 대한 예측을 수행할 수 있습니다:

# Predict the category of a test image
import numpy as np

sample_image = x_test[0]
sample_label = y_test[0]

prediction = np.argmax(model.predict(sample_image[np.newaxis, ...]))
print(f"Predicted Label: {prediction}, Actual Label: {sample_label[0]}")

이미지 분류의 과제

일반적인 과제는 다음과 같습니다:

과적합: 모델이 훈련 데이터에서는 잘 작동하지만 새로운 데이터에서는 제대로 작동하지 않습니다.
클래스 불균형: 데이터세트에서 범주가 균등하게 나타나지 않습니다.
계산 비용: 심층 네트워크를 훈련하려면 상당한 자원이 필요합니다.

요약 및 다음 단계

이 프로젝트에서는 다음을 수행했습니다:

CIFAR-10 데이터세트를 사용하여 이미지 분류를 위한 CNN을 구축하고 훈련했습니다.
데이터세트를 불러오고, 전처리하고, evaluate하는 방법을 배웠습니다.
이미지 분류 작업의 과제에 대해 논의했습니다.

다음으로 훈련 이미지의 변형을 생성하여 모델 성능을 향상하는 데이터 증강 기법을 살펴보겠습니다.

자주 묻는 질문

“이미지 분류 프로젝트” 강의는 무료인가요?

네 — “이미지 분류 프로젝트” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Python Academy 강의 전체를 잠금 해제할 수 있습니다. Python Academy 강의에는 총 5개의 강의가 포함되어 있습니다.

“이미지 분류 프로젝트”에서 뭘 배우나요?

기본 CNN 모델 구축하기 브라우저에서 직접 실행하는 실습 코드로 Python Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Python Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Python Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 5개 중 4번째 강의입니다.

“이미지 분류 프로젝트” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Python Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Python Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Python Academy(으)로 돌아가기