안녕하세요
대학 프로젝트때매 졸지에 딥러닝을 하고 있는데요
막상 해보니 쉽게 생각하면 그냥 모델만 갖고오고 데이터 구해서 전이학습시키면 되는 거 같더라구요? (inception 사용 중)
근데 이게 정확도가 너무 낮게 나오네요 ...
라벨이 170개 정도되고 이미지가 라벨당 40-50장 정도있는데 이미지 데이터가 너무 적기도 하고, 파라미터나 설정 같은거를 건드려야 하는거 같기도 하구요..
혹시 대량의 이미지 데이터를 구할 수 있을만한데를 알 수 있을까요..?
그리고 기존 inception모델을 fine tuning이 아니고 밑바닥부터 학습시키면 속도가 더 올라갈까요??
무슨 이미지용? - dc App
inception이 뭐임? - dc App
원래 딥러닝이 이미지양으로 때려넣어야 하는거임
몇백장정도 샘플로는 95퍼센트 도달하기 택도 없다
이미지 구할만한 데 어디있습니까 주륵
이미지넷
거기는 시바 로그인 허가를 안해주던데?ㅠㅠ
데이터 작은거면 파인튜닝 아니면 노답일텐데 일단 데이터 작은건 이미지 오규멘테이션 툴로 뻥튀기해서 돌리면 됨. 어차피 파인튜닝으로 하는거면 위에 흉이 얘기한 이미지넷으로 다 학습한걸꺼임
근데 내가 원하는 카테고리의 이미지를 또 학습시켜야대갖고 ㅠㅠ 오규멘테이션 툴은 이미지 하나로 여러가지하는거임?
뭔 소리냐? 당연히 니가 원하는 카테고리를 학습하는거지;; 지금 어차피 상단의 피쳐추출기는 그대로 쓰고 분류 레이어만 잘라내고 하는건 맞음? 답글보면 전이학습에 대한 개념이 없는것같은데 내가 난독인가;; 뭐지;;
오규멘테션은 이미지를 여러 변형을 줘서 양을 불려줌
https://github.com/solaris33/deep-learning-tensorflow-book-code/tree/master/Ch13-Fine-Tuning/Inceptionv3_retraining
전이학습 개념이 제대로 없긴한데 여기 예제 있는거 보고 따라함 ㅠㅠ.. 오규멘테이션은 참고해볼게용
말씀하시는 거 들어보니 아직 딥러닝 아키텍쳐에 대한 개념이 없으신 것 같아요. CNN 모델의 Transition learning이라 함은 보통 vgg16, resnet, googlenet같은 분류 모델을 imagenet과 같은 보편적인 데이터셋에 대해서 학습시킨 후, fc와 같은 분류 레이어를 제외하고 앞의 CNN 모델만 떼어내서 본인 모델의
Feature extractor로 활용하는 걸 말합니다. Fine tuning은 여기서 더 나아가 떼어낸 CNN 모델의 앞부분은 학습시키지 않고 뒷부분은 학습을 시키도록 조정하는 걸 말하고요. 우선, 말씀하시는 inception은 제가 알기로 아키텍쳐보다는 모듈 정도로 생각하고 있는데, 본인이 어떤 모델을 사용하고 있는지 제대로 파악할 필요가 보이네요
답변 감사합니다! cnn모델의 앞부분 뒷부분을 잘 모르겠네요 ..
https://github.com/solaris33/deep-learning-tensorflow-book-code/tree/master/Ch13-Fine-Tuning/Inceptionv3_retraining
여기
예제보고 따라하는 중인데 이게 파인튜닝하는거아닌가요? 기존에 있는 모델에다가 제가 분류하고싶은 이미지 데이터를 학습시켜서 pb만들고 그 pb 이용해서 추론하는 방식인데 ㅠㅠ
근데 본문 글쓴흉은 뭐 분류하는거임? 말 못할 사정 있는거임?
ㄴㄴ 대형 가구? 같은거 선풍기 자전거 문짝 요런거 분류해야댐 ㅠ
자세히 읽어보진 않았지만 이미지넷으로 학습된 기존 아키텍쳐에 분류 레이어만 본인에게 맞도록 수정한 아키텍쳐같네요. 일반적인 transfer learning 같습니다만, fine tuning되고 있는지는 미리 학습된 아키텍쳐의 윗부분 몇 레이어를 분류 레이어와 함께 학습하도록 돼 있는 지를 확인하시면 될 것 같습니다.