naver.HOW data lake by AI

[카테고리:] 미분류

  • 🧠 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

    모델명ImageNet Top-1 Accuracy파라미터 수특징
    EfficientNetV2-S84.6%24M경량, 속도 우수
    ✅ EfficientNetV2-M85.1%55M정확도·속도 균형
    ConvNeXt-B85.8%89M연산량 많음
    ViT-B/1681.8%86M대규모 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

    모델Train AccVal AccNotes
    EfficientNetV2-M97.5%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)