🧠 EfficientNetV2-M 기반 폐기물 이미지 분류 프로젝트 노트

1. 🎯 프로젝트 개요

• 주제: 폐기물 분류를 위한 AI 모델 개발
• 목표: 폐기물 이미지를 organic(유기물)과 recyclable(재활용 가능)로 분류
• 활용 모델: EfficientNetV2-M
• 구현 환경: NVIDIA H200 GPU

---

2. 💡 모델 선택 및 비교

모델명	ImageNet Top-1 Accuracy	파라미터 수	특징
EfficientNetV2-S	84.6%	24M	경량, 속도 우수
✅ EfficientNetV2-M	85.1%	55M	정확도·속도 균형
ConvNeXt-B	85.8%	89M	연산량 많음
ViT-B/16	81.8%	86M	대규모 데이터 필요

• 최종 선택: EfficientNetV2-M
  • 정확도 85.1% 이상
  • H200 환경에서 병렬 연산 최적화
  • 적당한 규모로 과적합 위험 줄이면서 성능 확보

---

3. 🧪 데이터 구성 및 증강

📂 폴더 구조

/dataset
  ├── train/
  │     ├── organic/
  │     └── recyclable/
  └── val/
        ├── organic/
        └── recyclable/

📈 데이터 증강 전략

• RandomFlip
• RandomRotation
• RandomZoom
• RandomTranslation
• Brightness, Contrast
• 추가 가능: CutMix, MixUp, RandAugment

---

4. ⚙️ 학습 파이프라인 요약

Mixed Precision 설정 (H200 최적화)

from tensorflow.keras.mixed_precision import set_global_policy
set_global_policy('mixed_float16')

모델 구성 요약

from tensorflow.keras.applications import EfficientNetV2M
base_model = EfficientNetV2M(include_top=False, weights='imagenet', input_shape=(256, 256, 3))

# 전이학습 구조
x = tf.keras.layers.GlobalAveragePooling2D()(base_model.output)
x = tf.keras.layers.Dense(128, activation='relu')(x)
x = tf.keras.layers.Dropout(0.3)(x)
output = tf.keras.layers.Dense(1, activation='sigmoid', dtype='float32')(x)

model = tf.keras.Model(inputs=base_model.input, outputs=output)
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

---

5. 📊 성능 목표 및 평가 지표

모델	Train Acc	Val Acc	Notes
EfficientNetV2-M	97.5%	95.6%	fine-tuning 완료 시 예상

• 지표: Accuracy, Precision, Recall, F1 Score
• 추가 권장: Confusion Matrix, ROC Curve 시각화

---

6. 🛠 사용 도구 및 환경

• 프레임워크: TensorFlow 2.x + Keras
• 하드웨어: NVIDIA H200 GPU
• 개발 환경: Google Colab Pro / JupyterLab / VS Code
• 툴:
  • TensorBoard: 학습 시각화
  • Matplotlib: 성능 비교 그래프
  • FastAPI: 향후 서빙용 API 구성 가능

---

7. 🧑‍🤝‍🧑 팀 운영 & 발표 구성 요소

필수 발표 항목

• Why 이 문제를 푸는가 (정당성 부여)
• 데이터 예시 및 증강 방식
• 모델 비교 및 성능 정리
• 팀원별 역할
• 사용한 도구 및 로고
• 배운 점 & 향후 계획

---

🔚 다음 단계 제안

• 학습 진행 후 로그 및 그래프 정리
• confusion matrix 및 class activation map 시각화
• FastAPI 기반 예측 API 개발 (옵션)