TensorFlow로 시작하는 이미지 분류 모델: 기초 튜토리얼

이미지 분류는 인공지능과 머신러닝 분야에서 중요한 기술 중 하나입니다. 이번 포스트에서는 TensorFlow를 사용하여 간단한 이미지 분류 모델을 만드는 방법을 소개합니다. 이 튜토리얼을 통해서 TensorFlow의 기본 사용법과 이미지 분류의 기초를 익혀보시길 바래요.

TensorFlow 소개

TensorFlow는 Google에서 개발한 오픈 소스 머신러닝 라이브러리로, 다양한 머신러닝과 딥러닝 모델을 쉽게 구현할 수 있게 해줍니다. 이 튜토리얼에서는 TensorFlow를 사용하여 이미지 분류 모델을 만들어보겠습니다.

환경 설정

먼저, TensorFlow와 필요한 라이브러리를 설치해야 합니다. 터미널에 아래 명령어를 입력해 주세요.

pip install tensorflow numpy matplotlib

데이터 준비

TensorFlow에서는 다양한 데이터셋을 쉽게 로드할 수 있습니다. 이번 튜토리얼에서는 TensorFlow에서 제공하는 fashion_mnist 데이터셋을 사용합니다. 이 데이터셋은 10가지 종류의 의류 이미지를 포함하고 있습니다.

import tensorflow as tf
from tensorflow.keras.datasets import fashion_mnist

# 데이터 로드
(X_train, y_train), (X_test, y_test) = fashion_mnist.load_data()

# 데이터 정규화
X_train, X_test = X_train / 255.0, X_test / 255.0

모델 생성

이제 이미지 분류 모델을 생성해 보겠습니다. 간단한 CNN(Convolutional Neural Network)을 사용하여 모델을 구축합니다.

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

# 모델 컴파일
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

모델 학습

이제 모델을 학습시켜 보겠습니다. 학습 데이터로 모델을 훈련시키고, 테스트 데이터로 성능을 평가합니다.

# 모델 학습
history = model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))

모델 평가

학습된 모델의 성능을 평가하고 정확도를 확인합니다.

# 모델 평가
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f'테스트 정확도: {test_acc:.2f}')

예측 결과 시각화

학습된 모델을 사용하여 예측 결과를 시각화해 봅니다.

import numpy as np
import matplotlib.pyplot as plt

# 예측 수행
predictions = model.predict(X_test)

# 예측 결과 시각화
def plot_image(i, predictions_array, true_label, img):
    predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]
    plt.grid(False)
    plt.xticks([])
    plt.yticks([])
    plt.imshow(img, cmap=plt.cm.binary)
    predicted_label = np.argmax(predictions_array)
    if predicted_label == true_label:
        color = 'blue'
    else:
        color = 'red'
    plt.xlabel(f"{predicted_label} ({true_label})", color=color)

# 예제 이미지와 예측 결과 출력
num_rows = 5
num_cols = 3
num_images = num_rows * num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
    plt.subplot(num_rows, num_cols, i+1)
    plot_image(i, predictions, y_test, X_test)
plt.show()

결론

이 튜토리얼에서는 TensorFlow를 사용하여 간단한 이미지 분류 모델을 만드는 과정을 다뤘습니다. 데이터 준비, 모델 생성, 학습, 평가, 시각화까지의 전 과정을 통해 이미지 분류의 기초를 이해하고 실습할 수 있었습니다. 다음 단계로는 더 복잡한 데이터셋과 다양한 모델 아키텍처를 탐구해 보세요. AI와 딥러닝의 세계는 무궁무진하니 계속해서 학습해 나가길 바랍니다.

이 포스트는 TensorFlow와 이미지 분류를 처음 접하는 분들을 위해 작성되었습니다. TensorFlow를 사용한 간단한 예제들을 통해 딥러닝의 기초를 다져보세요. 추후 더 심화된 주제들로 돌아오겠습니다.

TensorFlow 소개#

환경 설정#

데이터 준비#

모델 생성#

모델 학습#

모델 평가#

예측 결과 시각화#

결론#