이미지 분류 머신러닝 프로젝트

CIFAR-10 데이터셋을 활용한 CNN 기반 이미지 분류

이 프로젝트는 합성곱 신경망(CNN)을 사용하여 CIFAR-10 데이터셋의 이미지를 10개 클래스로 분류하는 딥러닝 프로젝트입니다.

---

📋 프로젝트 개요

• 데이터셋: CIFAR-10 (50,000개 훈련 이미지, 10,000개 테스트 이미지)
• 이미지 크기: 32x32 픽셀 (컬러)
• 클래스: 10개 (비행기, 자동차, 새, 고양이, 사슴, 개, 개구리, 말, 배, 트럭)
• 모델: Convolutional Neural Network (CNN)
• 프레임워크: TensorFlow 2.20.0 / Keras 3.12.0

---

🎯 주요 특징

모델 아키텍처

• 3개의 합성곱 블록: 각 블록마다 Conv2D, BatchNormalization, MaxPooling, Dropout 레이어 포함
• 완전 연결 레이어: Dense + Dropout으로 과적합 방지
• 출력 레이어: 10개 클래스에 대한 Softmax 활성화 함수

성능 최적화 기법

1. Batch Normalization: 학습 안정화 및 수렴 가속화
2. Dropout: 과적합 방지 (0.25, 0.5)
3. Data Augmentation: 이미지 회전, 이동, 뒤집기, 확대/축소
4. Early Stopping: 검증 손실 기반 조기 종료
5. Learning Rate Scheduling: 동적 학습률 조정

---

🚀 시작하기

필수 요구사항

Python 3.10+
TensorFlow 2.20.0
Keras 3.12.0
NumPy
Matplotlib
Seaborn
Scikit-learn
Pandas
OpenCV (선택)

설치 방법

1. 저장소 클론

git clone <repository-url>
cd project_oss2025

2. 가상 환경 생성 및 활성화

python -m venv .venv
.venv\Scripts\activate  # Windows

3. 패키지 설치

pip install --upgrade pip
pip install tensorflow matplotlib seaborn scikit-learn pandas numpy opencv-python

프로젝트 실행

Jupyter Notebook 실행:

jupyter notebook project.ipynb

또는 VS Code에서 직접 노트북 열기

---

📊 프로젝트 구조

project_oss2025/
│
├── project.ipynb           # 메인 노트북 (전체 프로젝트)
├── best_model.keras        # 최고 성능 모델 체크포인트
├── cifar10_cnn_model.keras # 최종 학습 모델
├── README.md               # 프로젝트 문서
└── .venv/                  # 가상 환경 (선택)

---

📖 노트북 구성

1. 라이브러리 임포트 및 환경 설정

• 필수 라이브러리 로드
• 한글 폰트 설정 (Windows: 맑은 고딕)
• 랜덤 시드 고정 (재현성)

2. 데이터셋 로드 및 전처리

• CIFAR-10 데이터 로드
• 정규화 (0255 → 01)
• 원-핫 인코딩

3. 데이터 탐색 및 시각화

• 샘플 이미지 확인
• 클래스 분포 분석

4. CNN 모델 설계 및 구축

• 모델 아키텍처 정의
• 레이어별 설정

5. 모델 학습

• 데이터 증강 설정
• 콜백 함수 설정
• 모델 학습 (최대 50 에포크)

6. 학습 결과 시각화

• 정확도/손실 그래프
• 학습 곡선 분석

7. 모델 평가

• 테스트 데이터 성능 평가
• 분류 리포트
• 혼동 행렬 (Confusion Matrix)
• 클래스별 정확도

8. 예측 결과 시각화

• 정확한 예측 샘플
• 잘못된 예측 샘플

9. 예측 신뢰도 분석

• 예측 확률 분포
• 정확/오답 신뢰도 비교

10. 모델 저장

• 학습된 모델 저장

11. 단계별 실습 가이드

• 기초: MNIST, Fashion-MNIST
• 중급: 전이 학습, 의료 영상 분류
• 고급: 실시간 분류, 앙상블 학습

---

📈 성능 지표

목표 성능

• 테스트 정확도: 75~85%
• 훈련 시간: 약 30분 (CPU), 약 10분 (GPU)

평가 지표

• Accuracy: 전체 정확도
• Precision: 정밀도
• Recall: 재현율
• F1-Score: 정밀도와 재현율의 조화 평균
• Confusion Matrix: 클래스별 예측 결과

---

🔧 하이퍼파라미터

# 모델 구조
input_shape = (32, 32, 3)
conv_filters = [32, 32, 64, 64, 128, 128]
dense_units = [256, 128]
dropout_rates = [0.25, 0.25, 0.25, 0.5, 0.5]

# 학습 설정
batch_size = 64
epochs = 50
optimizer = 'adam'
loss = 'categorical_crossentropy'

# 데이터 증강
rotation_range = 15
width_shift_range = 0.1
height_shift_range = 0.1
horizontal_flip = True
zoom_range = 0.1

---

🎓 학습 로드맵

기초 단계 (Beginner)

1. MNIST: 손글씨 숫자 분류 (⭐☆☆☆☆)
2. Fashion-MNIST: 패션 아이템 분류 (⭐⭐☆☆☆)

중급 단계 (Intermediate)

3. CIFAR-10: 컬러 이미지 분류 (⭐⭐⭐☆☆)
4. 전이 학습: VGG16, ResNet50 활용 (⭐⭐⭐⭐☆)

고급 단계 (Advanced)

5. 실시간 분류: 웹캠 기반 분류 (⭐⭐⭐⭐⭐)
6. 앙상블 학습: 여러 모델 결합 (⭐⭐⭐⭐☆)

---

💡 추가 개선 방안

성능 향상

1. 전이 학습: ResNet, EfficientNet 등 사전 학습 모델 활용
2. 하이퍼파라미터 튜닝: Grid Search, Random Search
3. 앙상블: 여러 모델의 예측 결합
4. 고급 증강: Mixup, CutMix, AutoAugment

배포

1. 모델 경량화: Quantization, Pruning
2. 웹 애플리케이션: Flask/FastAPI
3. 모바일 배포: TensorFlow Lite
4. 클라우드 배포: AWS, GCP, Azure

---

📚 참고 자료

데이터셋

• CIFAR-10 공식 사이트
• TensorFlow Datasets

학습 자료

• TensorFlow 공식 문서
• Keras API 문서
• Fast.ai - Practical Deep Learning
• Coursera - Deep Learning Specialization

경진대회

• Kaggle Competitions
• DACON
• AI Hub

---

🤝 기여하기

이 프로젝트는 교육 목적으로 제작되었습니다. 개선 사항이나 버그를 발견하시면 이슈를 등록해주세요.

---

📝 라이선스

이 프로젝트는 교육 목적으로 자유롭게 사용할 수 있습니다.

---

👨‍💻 개발자

• 프로젝트: CIFAR-10 이미지 분류
• 프레임워크: TensorFlow/Keras
• 개발 환경: VS Code + Jupyter Notebook
• 날짜: 2025년 12월

---

⭐ 프로젝트 하이라이트

• ✅ 체계적인 CNN 아키텍처 설계
• ✅ 데이터 증강으로 일반화 성능 향상
• ✅ 다양한 시각화 및 분석
• ✅ 실무 적용 가능한 코드 구조
• ✅ 단계별 학습 가이드 포함
• ✅ 확장 가능한 프로젝트 구조