크 !
♥️5차 미니프로젝트 (4~7일차) 후기
미프 중에서 가장 흥미로웠던 DAY1 ... !!!!!!
왜냐면요....
보이시나요 ?ㅋ
완전 AI 개발자 ㅋ
YOLO CLS 모델을 사용하여 제 얼굴을 판단해보았는데요 !!!!
정확도가 미쳤죠 !??!?ㅎ
Other face와 굉장히 잘 분류되는 .. ㅎㅎㅎ!
YOLO CLS 모델은요 !
YOLO 아키텍처를 기반으로 분류(Classification) 작업에 초점을 맞춘 변형모델입니다 ! 이는 다른 모델과 달리 이미지 내 객체의 존재 여부나 객체의 클래스를 판단하는 데 초점을 둡니다.
뿐만 아니라 !!!!!
웹캠을 활용해서도 이렇게나 ... 미친 정확도 ...
너무 재밌어서 사진 왕~창 찍었어요 !!!!
하지만 이후 수업부터 고난 시작...
수집만 한 것이 아니라 라벨링 작업까지...
데이터 수집은 정말.. 힘든 작업입니다.. 라벨링은 그냥.. 레전드고..
저는 제 꼬질한 얼굴 사진을 2500장 수집했어요 !!!!
수집한 제 사진을 기반을 YOLO11N 모델을 사용해 제 사진을 예측해보았습니다..
YOLO11N은 YOLO 시리즈 중에서 경량화된 모델로, 주로 실시간 감지 및 제한된 하드웨어 환경에서의 성능 최적화를 위해 설계된 모델입니다 !
앞서 사용한 CLS와는 다른 모델이기에 폴더 구조에 신경을 썼어야 했어요 !
CLS 폴더 구조
├── dataset/
├── train/
├── class1/
├── class2/
├── ...
├── val/
├── class1/
├── class2/
├── ...
YOLO11N 폴더구조
├── data/
├── images/
│ ├── train/
│ │ ├── img1.jpg
│ │ ├── img2.jpg
│ ├── val/
│ ├── img3.jpg
│ ├── img4.jpg
├── labels/
├── train/
│ ├── img1.txt
│ ├── img2.txt
├── val/
├── img3.txt
├── img4.txt
🌟 프로젝트 느낀 점: 데이터 수집이 이렇게 중요했구나!
이번 프로젝트에서 YOLO CLS와 YOLO11N 모델을 사용해 내 얼굴을 분류하고 예측하는 작업을 진행하면서, 데이터 수집이 정말 얼마나 중요한지 깨닫게 됐어요.
특히 YOLO11N 모델을 사용할 때, 내 얼굴을 제대로 예측하지 못하는 일이 많았어요. 왜 그랬을까 생각해보니, 제가 수집한 데이터에 문제가 있었더라고요. 제가 모은 사진들은 대부분 얼굴만 크게 나온 사진들이었고, 상반신까지 나온 사진이나 다양한 각도, 배경에서 찍힌 사진은 거의 없었어요. 그래서 모델이 특정 상황에서만 내 얼굴을 인식하도록 학습됐고, 상반신이 나온 사진에서는 잘 예측하지 못했던 거죠.
이 경험을 통해 크게 느낀 건, 모델의 성능은 데이터가 좌우한다는 거였어요. 특히 다음과 같은 점을 배웠답니다
-
다양한 데이터가 중요하다!
모델이 다양한 상황을 잘 처리하려면, 사진도 여러 각도, 조명, 배경, 포즈 등 다양하게 준비해야 한다는 걸 알게 됐어요. -
실제로 쓸 환경을 생각해야 한다!
실생활에서 내가 사용할 데이터를 미리 잘 고려해서 학습시켜야, 나중에 실제로도 제대로 쓸 수 있겠구나 싶었어요. -
처음부터 제대로 준비하자!
프로젝트를 시작할 때 모델의 목적과 필요한 데이터를 더 꼼꼼히 생각하고, 데이터 수집 계획을 잘 세우는 게 진짜 중요하다는 걸 배웠어요.
이번 프로젝트는 YOLO 모델을 배우고 사용하는 것뿐만 아니라, 좋은 데이터가 얼마나 중요한지 직접 느낄 수 있는 기회였어요. 앞으로는 데이터 준비 단계부터 신경 써서, 더 좋은 결과를 얻을 수 있도록 해봐야겠다고 다짐했답니다! 😊
