Core ML과 Create ML을 통한 머신러닝 모델 생성 및 활용

📝 오늘 배운 것: Core ML & Create ML

1. 머신러닝(Machine Learning)이란?
데이터를 통해 기계가 스스로 학습하고, 예측하거나 분류하는 기술.
과거에는 사람이 직접 규칙을 입력했지만, 머신러닝은 데이터를 학습시켜 자동으로 모델을 생성.
2. Core ML이란?
애플의 머신러닝 프레임워크로, 머신러닝 모델을 iOS 앱에 쉽게 통합 가능.
주요 특징:
온디바이스(On-Device): 모든 작업이 디바이스 내에서 이루어져 보안성이 높음.
빠른 성능: 애플의 하드웨어 가속 기술을 활용.
호환성: TensorFlow, PyTorch 같은 외부 모델도 변환해 사용 가능.
3. Create ML이란?
코딩 없이 머신러닝 모델을 생성할 수 있는 도구.
Mac의 GUI 기반으로 사용하며, 직관적인 인터페이스를 통해 데이터를 학습.
학습 및 평가 과정을 시각화할 수 있어 효율적

🔧 Create ML을 통한 학습 과정

1. 프로젝트 생성
Create ML에서 Image Classification 등 모델 유형 선택.
2. 데이터 준비
데이터를 폴더 구조에 맞게 정리:
최상위 폴더: 모델 이름 (예: Flowers)
하위 폴더: 카테고리 이름 (예: Roses, Tulips 등)
하위 폴더 내: 학습 데이터(이미지).
3. 학습 시작
준비한 데이터를 Create ML에 추가.
Train 버튼 클릭 → 학습 시작.
학습 완료 후 정확도와 성능을 확인.
4. 모델 테스트
모델의 정확도를 평가하고, 테스트 데이터를 통해 결과 확인.
이미지 파일을 드래그하여 실시간 테스트 가능.
5. 모델 추출
mlmodel 파일로 내보내기.
Core ML을 통해 앱에 통합하여 사용.

📈 모델 성능 향상 방법

데이터 증강(Augmentation):
이미지 크롭, 회전, 노이즈 추가 등 다양한 변환을 통해 데이터 다양성 확보.
반복 학습(Increased Iterations):
학습 반복 횟수를 늘려 성능 향상.
단, 과도한 반복은 오히려 성능을 저하시킬 수 있음.
현실적인 데이터 추가:
흐리거나 노이즈가 있는 데이터를 포함하여 다양한 상황을 반영.

✨ 내가 배운 점

Core ML과 Create ML은 머신러닝을 애플 생태계에서 쉽게 구현할 수 있는 강력한 도구.
데이터 준비의 중요성:
적절히 정리된 데이터가 모델의 성능을 좌우.
Create ML은 머신러닝을 시각적으로 학습할 수 있어 개발자 친화적.
Core ML의 온디바이스 실행은 빠른 성능과 높은 보안성을 제공.

간단히 정리하면:
Core ML은 머신러닝 모델을 iOS 앱에 통합하는 도구이고, Create ML은 데이터를 학습해 모델을 생성하는 도구
준비한 데이터를 Create ML로 학습시키고, 결과를 평가한 뒤 mlmodel로 내보내서 앱에 바로 활용할 수 있다