인공지능 실생활 응용 사례 시리즈 - 이미지 분류기(2)
우리는 항상 뉴스 기사에서 기업들이 딥러닝을 사용해 다양한 작업들을 자동화시키는 사례들을 읽어본다. 그러나 정작 우리가 직접 AI를 활용해볼 수 있도록 영감을 줄 수 있는 자세한 사례는 많이 언급되지 않는 것 같다. 해당 시리즈는 소박하지만 그렇다고 너무 단순하지는 않은 다양한 AI 실생활 응용사례들을 모아서 소개하여 여러분의 개인 프로젝트 아이디어 확장에 도움을 주고자 한다.
일본 애니메이션 여성 캐릭터 이미지 분류기
해당 깃헙 계정은 ResNet-50 인공신경망을 가지고 배치(batch) 사이즈에 따른 이미지 분류기(classifier) 정확도(accuracy) 변화를 실험하다가 우연히 캐글(Kaggle)에 개제되어 있는 있는 데이터셋1을 가지고 애니 캐릭터 얼굴 이미지 분류기를 만들어냈다(...) 역시나 머리 색깔이 제일 비중이 큰 피쳐(feature)라고 한다.
https://github.com/Dakini/BatchSize
Dakini/BatchSize
Contribute to Dakini/BatchSize development by creating an account on GitHub.
github.com
파나마 버스 이미지 분류기
해당 깃헙 유저는 ResNet-34 인공신경망을 훈련시켜 파나마 구형, 신형 버스 이미지 분류기를 만들어냈다. 파나마에서는 최근 구형 붉은 악마(Diablo Roja) 버스를 신형 메트로버스로 바꿨다고 한다.
https://gist.github.com/mlsmall/ca7114e396330d50a73ba0cc2ee86951
my-images.ipynb
GitHub Gist: instantly share code, notes, and snippets.
gist.github.com
국가별 도시 위성 사진 분류기
https://github.com/henripal/maps
henripal/maps
fun with satellite images of cities. Contribute to henripal/maps development by creating an account on GitHub.
github.com
해당 깃헙 유저는 세계에서 제일 큰 1000개의 도시들을 찍은 4000개의 위성 사진들을 이용해 ResNet-34 인공신경망을 훈련시켜 110개 이상의 클래스로 분류해내는 분류기를 만들었다고 한다. 영 좋지 않은 예상에도 불구하고 정확도는 놀랍게도 85%나 된다고 한다. 다음 이미지에는 제일 정확도가 높거나 낮았던 예시들이 담겨있다.
바틱 원단 분류기
https://github.com/cahya-wirawan/FastAI-Course/blob/master/lesson1-batik-1.ipynb
cahya-wirawan/FastAI-Course
Collection of notes and notebooks for FastAI Course V3 - cahya-wirawan/FastAI-Course
github.com
해당 깃헙 유저는 인도네시아의 아주 오래된 옷감 염색을 통해 만들어내는 바틱 천 원단 이미지 분류기를 만들어냈다. 50가지의 바틱 원단을 각각 무작위로 6개씩 찍은 300개의 작은 이미지 데이터셋을 사용해 ResNet-34를 훈련시켰는데 데이터셋이 클래스 수에 비해 작았는지 학습 사이클(epoch) 몇 번 만에 정확도 100%를 이뤄냈다.
건물 건축 상태 분류기
프로젝트 주피터 노트북: https://nbviewer.jupyter.org/gist/daveluo/8e9d60e597303b42dc36f926a3ece466
Dave Luo는 ResNet-50을 이용해 잔지바르 섬 건물들의 건축 상태를 완공, 미완공, 기반만 다진 상태, 아무것도 없음 4개의 클래스로 나눠주는 분류기를 만든 뒤 t-SNE를 이용해 분류기가 건물들을 어떻게 분류해주는지 시각적으로 보여주는 이미지를 만들어냈다.
