주요 CNN architecture

~10 min · resnet, efficientnet, mobilenet, convnext

Level 0Level 0

0 XP0/78 lessons0/17 achievements

0/100 XP to next level100 XP to go0% complete

알아야 할 architecture들

표준 architecture 알면 backbone 잘 고르고 남의 코드 읽을 때 안 헷갈려.

Architecture	연도	핵심 아이디어	쓸 때
ResNet	2015	Skip connection으로 매우 깊은 net 가능	견고한 default; 50/101/152 layer
MobileNetV2/V3	2018-19	Depthwise separable conv	Mobile / edge 배포
EfficientNetV2	2021	depth/width/resolution의 compound scaling	최첨단 accuracy/비용 균형
ConvNeXt	2022	Transformer training 트릭으로 튜닝한 CNN	ViT랑 경쟁 가능한 순수 CNN baseline
ViT (Vision Transformer)	2020	이미지 패치에 self-attention	대용량 dataset, 매우 큰 model

전부 keras.applications나 keras_cv.models에서 pretrained로 사용 가능. 대부분 프로젝트엔 EfficientNetV2-S가 강한 default — 중급 하드웨어에서 accuracy/FLOP 비율 최고.

Code

Use pretrained models instantly·python

import keras

# ImageNet-pretrained classifiers (full top layer)
resnet = keras.applications.ResNet50(weights='imagenet')
mobilenet = keras.applications.MobileNetV3Small(weights='imagenet')
efficientnet = keras.applications.EfficientNetV2S(weights='imagenet')

# Backbone only (no classifier head) — for transfer learning
backbone = keras.applications.EfficientNetV2S(
    weights='imagenet',
    include_top=False,
    input_shape=(224, 224, 3),
)

# Inference on a single image
import tensorflow as tf
img = tf.keras.utils.load_img("cat.jpg", target_size=(224, 224))
img_array = tf.keras.utils.img_to_array(img)
img_batch = tf.expand_dims(img_array, 0)
preds = resnet.predict(img_batch)
print(keras.applications.resnet50.decode_predictions(preds, top=5))

External links

keras.applications

Progress

Progress is local-only — sign in to sync across devices.

← PreviousTransfer learning — feature extraction vs fine-tuning Next →Grad-CAM — CNN이 보는 걸 보기

이 페이지에서 버그를 발견하셨거나 피드백이 있으세요?문제 신고

🔔 답글 알림 (로그인 필요)

로그인 — 댓글을 남기려면 로그인해 주세요.

아직 댓글이 없어요. 첫 댓글을 남겨보세요.