03 프로젝트 진행 / 결과 & 고찰 / 결론

Dataset 분류

분류되어있지 않은 CIFAR-100 Dataset의 이미지들을 딥러닝 모델 학습을 위해 100개의 클래스로 분류하고, 각 클래스 별로 폴더를 생성해준다. 결과적으로 각 클래스에 이미지가 600개씩 분류된다.

 

100개의 클래스로 분류된 CIFAR-100의 Dataset

 

baby 클래스 폴더 안의 분류된 이미지 파일들

 

학습 진행

가. Tensorflow 프레임워크에서의 학습

6일 동안 총 10,000 Epoch만큼 학습을 진행하였다.

 

나. Pytorch 프레임워크에서의 학습

5일 동안 총 2,000 Epoch만큼 학습을 진행하였다. 학습이 시작되면 학습 시작 문구가 출력되게 구성하였고, 학습 시간이 오래 걸리기 때문에 학습 중인지, 오류가 발생한 것인지 구분하고, Training 진행 상황과 Testing 진행 상황을 확인할 수 있도록 하였다.

 

프로젝트 결과 및 고찰

가. Tensorflow 프레임워크 결과

Test loss는 약 5.6824, Test accuracy는 0.4044(40.44%)로 측정되었다.

 

나. Pytorch 프레임워크 결과

Test accuracy는 최대 68.32%로 측정되었다.

 

50번 학습 결과에 따른 Train Loss, Test Loss, Accuracy 그래프

 

다. 결과 비교 및 고찰

Tensorflow에서의 Test Accuracy는 40.44%이며, Pytorch에서의 최대 Test Accuracy는 68.32%이다. Tensorflow에서의 학습량이 Pytorch에서의 학습량보다 약 5배 많음에도 불구하고 Pytorch에서의 정확도가 압도적으로 높은 결과를 보였다.

Pytorch에서의 결과를 통해서 GoogLeNet 모델이 CIFAR-100라는 대규모 이미지 Dataset에 좋은 성능을 보여준다는 것을 확인할 수 있다.

 

결론

이번 프로젝트의 목적은 CIFAR-100 Dataset의 이미지를 분류하고 GoogLeNet 모델을 이용하여 학습하여 정확도를 높이는 것이다. 또한 이미지를 분류하고 학습하는 GoogLeNet 모델의 성능을 평가하고 뛰어난 결과를 얻을 수 있었다. 결과적으로 GoogLeNet 모델이 복잡한 대규모 이미지 분류에 효과적인 모델이라는 것을 알 수 있다. 이후에 성능 향상을 위하여 더욱 크고 좋은 성능의 GPU를 사용한다면 긍정적인 결과를 얻을 수 있을 것으로 판단된다.