7,8차시 - Teachable Machine 시작하기 / Teachable Machine으로 마스크 미착용자 찾아낼 수 있다?!

📺 Teachable Machine

기계학습을 보다 쉽게 해주어 모델을 만들 수 있는 프로그램으로 이미지, 오디오, 포즈 프로젝트가 있음

트레이닝 셋을 라벨링을 통해 구현하여 사진을 추가해 라벨을 붙인다. 여러 각도로 사진을 추가해 다양한 데이터 수집하는 것이 중요하다. 만약, 출력의 정확도가 부족하다면 더 많은 데이터 수집을 통해 정확도를 높여 성능이 좋아지도록 해야 한다.

배경이 달라지면, 즉 환경이 변화하면 학습이 되지 않아 예측한 결과가 나오지 않을 수 있다. 그러므로 여러 형태, 각도, 주변 환경 등을 고려해서 학습을 모두 시켜야 한다.

색감이 확실하거나 특이한 형태를 지닌 경우 특징이 많아서 구분을 잘 할 수 있게 된다. 만약 구분이 잘 안된다면 데이터를 추가하거나 불필요한 데이터를 삭제해야 한다.

📉 혼동행렬, 정확도 그래프, 손실도 그래프

혼동 행렬

y축 : class
x축 : prediction - 예측해서 분류할 수 있는 항목
대각에 수치가 모두 위치했다면 학습이 매우 잘 되었다는 뜻

정확도 그래프

에포크 돌기 전에는 모든 데이터에 대해 손실이 큼
점차 손실이 줄어서 loss가 0에 가까워지게 된다.

손실도 그래프

물질의 특징이 확실하다면 test loss는 처음부터 0에 가까움

각 데이터 샘플 중에 85% = 트레이닝 셋
각 데이터 샘플 중에 15% = 테스트 샘플

에포크와 배치 크기의 사이즈가 적절하지 않으면 정확도가 떨어지고 손실이 늘어나며, 혼동행렬 수치가 대각에 위치 하지 않음

1. 데이터 수집량 늘리기
2. 데이터 정제하기
3. 에포크와 배치사이즈 적절히 조절하기

정확도 그래프, 손실 그래프, 혼동행렬 그래프로 성능을 평가하고 비교할 수 있다.

이렇게 만든 모델은 링크나 코드로 변환해 어디서나 사용할 수 있다.