모바일넷 학습 유의 사항

이미 햄버거를 잘 인식하는 MobileNetV2에 햄버거 데이터를 더 학습시키면 여러 문제가 생길 수 있습니다:

주요 문제점들:

1. 과적합 (Overfitting)

• 햄버거 클래스에만 과도하게 특화됨
• 다른 음식들(피자, 샐러드, 스테이크 등)을 햄버거로 잘못 분류할 가능성 증가

2. 클래스 불균형 심화

• 햄버거 데이터가 다른 클래스보다 압도적으로 많아짐
• 모델이 “의심스러우면 햄버거”라고 판단하는 편향 발생

3. 일반화 성능 저하

• 햄버거가 아닌 다른 객체들에 대한 인식 성능이 떨어질 수 있음
• 전체적인 균형잡힌 성능 악화

더 좋은 접근법:

데이터 균형 맞추기:

• 햄버거 대신 부족한 클래스들의 데이터를 더 수집
• 전체 클래스 간 균형 맞추기

세밀한 구분 학습:

• 햄버거 내에서도 세부 카테고리 구분 (치즈버거, 비건버거 등)
• 더 구체적이고 유용한 분류 능력 개발

하드 네거티브 마이닝:

• 햄버거와 헷갈리기 쉬운 샌드위치, 버거류 데이터 추가
• 모델의 구분 능력 향상

이미 잘 아는 것을 더 가르치는 것보다는, 모르는 것을 가르치거나 헷갈리는 부분을 명확히 해주는 게 훨씬 효과적이에요!