딥러닝 이미지 분류 프로젝트 경험
약 90초
CNN 기반 이미지 분류 모델을 처음 적용해보고 학습 실패를 겪은 경험
졸업 작품으로 식물 병해 이미지를 분류하는 모델을 만들었습니다. 사전 학습된 ResNet을 파인튜닝하는 방식을 썼는데, 처음엔 검증 정확도가 40%에서 오르지 않았습니다.
원인을 분석하니 훈련 데이터와 검증 데이터의 분포가 달랐습니다. 훈련 데이터는 실험실 환경 사진, 검증 데이터는 실제 농장 사진이어서 조명·배경 차이가 컸습니다. 데이터 증강으로 조명 변화와 배경 다양성을 추가하니 검증 정확도가 78%로 올랐습니다.
모델이 아니라 데이터에 문제가 있었다는 걸 처음 배웠습니다. 이후엔 모델을 튜닝하기 전 훈련/검증 데이터의 분포 차이를 먼저 확인하는 습관이 생겼습니다. 딥러닝에서 데이터 품질이 모델 구조보다 더 중요하다는 것이 지금도 제 기준입니다.
이 결의 특징
검증 정확도가 오르지 않던 문제를 훈련·검증 데이터 분포 차이로 짚어 데이터 증강으로 해결한 흔적이 있습니다.
이 결이 통하는 자리
모델이 아니라 데이터에 문제가 있었다는 관점이 답에 담겨 있을 때 면접관의 신뢰가 쌓이는 자리를 자주 봅니다.