이미지 증강 레이어

이미지 증강은 저렴한 규제 방법이야

이미지 모델의 일반화를 돕는 가장 싼 방법은 더 많은 사진을 모으는 대신 가진 사진의 다양한 모습을 보여 주는 거야. 뒤집기, 회전, 자르기, 색 변경은 고양이가 거꾸로 있거나 그늘에 있어도 고양이라는 불변성을 가르쳐. KerasCV 레이어는 입력 파이프라인의 일부로 GPU에서 실행 중 변환하므로 원본 데이터셋의 디스크 크기를 늘리지 않아.

KerasCV의 강점은 두 표본을 섞는 배치 수준 증강까지 제공한다는 점이야:

증강	설명
`CutMix`	한 이미지의 무작위 조각을 다른 이미지에 붙이고 레이블을 면적 비율대로 섞음
`MixUp`	두 이미지와 레이블 사이를 선형 보간
`RandAugment`	미리 정의된 집합에서 N개 변환을 무작위 정책으로 적용해 수동 조정을 줄임
`MosaicAugmentation`	이미지 4장을 모자이크로 결합하며 YOLO 학습에 사용

레이블을 섞어도 도움이 되는 이유

MixUp과 CutMix는 고양이 0.7, 개 0.3처럼 두 이미지와 레이블을 함께 섞어. 이런 표본은 모델의 과도한 확신을 줄이고 날카로운 경계를 외우는 대신 부드러운 판정 경계를 배우게 해 과적합을 낮춰. 최신 분류 절차에 널리 쓰이는 이유야. 다만 학습에만 적용해야 하며 기본 증강보다 하이퍼파라미터에 민감해.

Code

배치 혼합과 정책 기반 이미지 증강기·python

# CutMix and MixUp
augmenter = keras_cv.layers.CutMix(alpha=1.0)
augmenter = keras_cv.layers.MixUp(alpha=0.2)

# RandAugment
augmenter = keras_cv.layers.RandAugment(
    value_range=(0, 255), augmentations_per_image=3
)

tf.data 입력 파이프라인에 이미지 증강 연결하기·python

# Apply during training only, on the input pipeline
train_ds = train_ds.map(
    lambda x, y: augmenter({"images": x, "labels": y}),
    num_parallel_calls=tf.data.AUTOTUNE,
)
# No augmentation on the validation set — measure the real thing
val_ds = val_ds  # left untouched

Exercise

같은 모델과 일정으로 CIFAR-10에 세 가지 증강 전략을 적용해: 기본 뒤집기와 회전, MixUp(0.2), CutMix(1.0). 50에포크까지 학습·검증 정확도 곡선을 모두 그리고, 최종 검증 정확도와 두 곡선의 간격을 함께 비교해. 어느 전략이 간격을 가장 줄였는지, MixUp 효과가 이른지 늦은지도 기록해.

Hint

MixUp은 섞인 레이블을 맞히기 어려워 학습 정확도가 더 낮아 보일 수 있지만 검증 성능은 좋아질 수 있어. 이 차이는 오류가 아니라 규제가 작동하는 신호야.

이미지 증강은 저렴한 규제 방법이야

레이블을 섞어도 도움이 되는 이유

Code

External links

Exercise

Progress

댓글 0