📒 [ TIL ] 2022.05.20_24일차 # 사물인식 머신러닝(3)

[ 2022-05-20 (금) 오늘의 TIL ]

[ Today Project ]

• 사물인식 머신러닝
  : 이번 프로젝트는 팀프로젝트로 시작합니다.

[ Today Learn ]

• 두번째 사물인식 프론트엔드 개발
• 아나콘다활용한 사물인식 기능
• 강아지와 고양이 사물인식하기

✏️ 내가 배운것, 얻은것

• 데이터 증강기법 활용하기

❓ 데이터 증강기법이란 ?
갖고 있는 데이터셋을 여러 가지 방법으로 augment하여 실질적인 학습 데이터셋의 규모를 키울 수 있는 방법

🧩 적용 예시

train_datagen = ImageDataGenerator(
  rescale=1./255, # 일반화
  rotation_range=10, # 랜덤하게 이미지를 회전 (단위: 도, 0-180)
  zoom_range=0.1, # 랜덤하게 이미지 확대 (%)
  width_shift_range=0.1,  # 랜덤하게 이미지를 수평으로 이동 (%)
  height_shift_range=0.1,  # 랜덤하게 이미지를 수직으로 이동 (%)
  horizontal_flip=True # 랜덤하게 이미지를 수평으로 뒤집기
)

• Cats & Dogs 분류하기

이번 팀 프로젝트는 강아지의 종을 구분하는 데이터셋을 학습시켰는데, 이번에는 고양이와 강아지를 분류하는 데이터셋을 학습시켰다.

🧩 적용 예시

일단 아래의 파일을 kaggle에서 다운받았고, 필수적으로 다운받아야 할 모듈을 임포트했다.

그리고 학습데이터의경우 데이터증강기법을 활용해 정확도를 높이고, 테스트데이터는 일반화시켰다.

train_datagen = ImageDataGenerator(
  rescale=1./255, # 일반화
  rotation_range=10, # 랜덤하게 이미지를 회전 (단위: 도, 0-180)
  zoom_range=0.1, # 랜덤하게 이미지 확대 (%)
  width_shift_range=0.1,  # 랜덤하게 이미지를 수평으로 이동 (%)
  height_shift_range=0.1,  # 랜덤하게 이미지를 수직으로 이동 (%)
  horizontal_flip=True # 랜덤하게 이미지를 수평으로 뒤집기
)

test_datagen = ImageDataGenerator(
  rescale=1./255 # 일반화
)

train_gen = train_datagen.flow_from_directory(
  'test_set/test_set',
  target_size=(256, 256), # (height, width)
  batch_size=32,
  seed=2021,
  class_mode='binary',
  shuffle=True
)

test_gen = test_datagen.flow_from_directory(
  'training_set/training_set',
  target_size=(256, 256), # (height, width)
  batch_size=32,
  seed=2021,
  class_mode='binary',
  shuffle=False
)

고양이는 '0'으로 , 강아지는 '1'

from pprint import pprint
pprint(train_gen.class_indices)

가상모델

model = Sequential([
    Conv2D(filters=32, kernel_size=3, padding='same', activation="relu", input_shape=(256, 256, 3)),
    MaxPooling2D(pool_size=(2, 2), strides=2),
    Conv2D(filters=64, kernel_size=3, padding='same', activation="relu"),
    MaxPooling2D(pool_size=(2, 2), strides=2),
    Conv2D(filters=128, kernel_size=3, padding='same', activation="relu"),
    MaxPooling2D(pool_size=(2, 2), strides=2),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(1, activation="sigmoid")
])

model.compile(loss='binary_crossentropy', optimizer=Adam(lr=0.001), metrics=['acc'])

학습시키기

from tensorflow.keras.callbacks import ModelCheckpoint

history = model.fit(
    train_gen,
    validation_data=test_gen, # 검증 데이터를 넣어주면 한 epoch이 끝날때마다 자동으로 검증
    epochs=20, # epochs 복수형으로 쓰기!
    callbacks=[
      ModelCheckpoint('model.h5', monitor='val_acc', verbose=1, save_best_only=True)
    ]
)

🌱 느낀 점

오늘은 롤챔피언을 구분해주는 기능을 학습시켜 만들기 위해 프론트엔드를 완성했고, 나는 롤게임을 하지않았기 때문에 팀원을이 각 게임 캐릭터의 이미지를 직접 사진을 찍어서 데이터를 모아 그 데이터를 기반으로 학습시켰다. 한 프로젝트 기간동안 두 개의 프로젝트를 진행한 일이 처음이라서 놀라웠다.. 원래는 정해진 프로젝트기간이 짧게느껴질정도여서 프로젝트를 완성하는데에 버거웠었는데! 이번 프로젝트 기간동안 하루에 정해놓았던 계획보다 더 일찍 끝낼 수 있어서 상당히 여유로웠다. 다음 프로젝트는 '넷플릭스'를 구현하는 프로젝트로 알고있는데, 너무 기대가 된다.

🎁 자세한 코드는 colab 에 게시했습니다