이미지 분류

이미지 분류 작동 방식

이 과정에는 일반적으로 라벨이 지정된 이미지의 대규모 데이터 세트에 대해 CNN(Convolutional Neural Network)이라는 특수한 유형의 신경망인 모델을 학습시키는 작업이 포함됩니다. ImageNet과 같은 유명한 데이터 세트에는 수천 개의 클래스로 분류된 수백만 개의 이미지가 포함되어 있습니다. 학습 과정에서 모델은 다양한 카테고리를 구분하는 텍스처, 모양, 색상 분포와 같은 패턴과 특징을 식별하는 방법을 학습합니다. 다음과 같은 프레임워크 PyTorch 및 TensorFlow 와 같은 프레임워크는 이러한 모델을 구축하고 훈련할 수 있는 도구를 제공합니다. 다양한 Ultralytics 분류 데이터 세트를 탐색하여 자신만의 프로젝트를 시작할 수 있습니다. 목표는 훈련된 모델이 보이지 않는 새로운 이미지에 대한 클래스 레이블을 정확하게 예측하는 것입니다. 더 깊은 기술적 이해를 위해 스탠포드 CS231n 과정과 같은 리소스에서 CNN에 대한 포괄적인 자료를 제공합니다.

다른 작업과의 주요 차이점

이미지 분류는 전체 이미지에 하나의 레이블을 할당하는 데 중점을 둡니다. 따라서 다른 일반적인 이력서 작업과 구별됩니다:

• 개체 감지: 이미지 내에서 여러 개체를 식별하고 경계 상자를 사용하여 각 개체의 위치를 찾습니다. "이미지에 어떤 물체가 있고 어디에 있나요?"라는 질문에 답합니다.
• 인스턴스 세분화: 객체 감지보다 한 단계 더 나아가 각각의 개별 객체 인스턴스의 정확한 픽셀 경계를 윤곽선으로 표시합니다.
• 시맨틱 세분화: 이미지의 모든 픽셀을 미리 정의된 카테고리(예: '하늘', '도로', '자동차')로 분류하지만 동일한 카테고리의 개별 인스턴스를 구분하지는 않습니다.

이러한 차이점을 이해하는 것은 주어진 문제에 적합한 기법을 선택하는 데 매우 중요합니다.

실제 애플리케이션

이미지 분류는 비교적 간단하고 효과적이기 때문에 다양한 영역에서 널리 사용됩니다:

• 의료 이미지 분석: 엑스레이나 MRI와 같은 의료 스캔을 분류하여 상태를 진단하는 데 도움을 줍니다. 예를 들어, 종양 탐지에 YOLOv11을 사용한 사례에서 볼 수 있듯이 종양의 유무에 따라 이미지를 분류하도록 모델을 학습시킬 수 있습니다. 의료 솔루션의 AI에서 자세히 알아보세요.
• 농업 기술: 작물 종류 식별, 잎 이미지에서 식물 질병 감지, 품질에 따른 농산물 분류. 농업 분야의 컴퓨터 비전에 대해 자세히 알아보세요.
• 소매 및 전자상거래: 온라인 카탈로그에서 제품을 자동으로 분류하거나 사용자가 이미지를 사용하여 제품을 찾을 수 있는 시각적 검색 기능을 활성화합니다.
• 콘텐츠 검토: 웹사이트 및 소셜 미디어 플랫폼에서 부적절하거나 유해한 이미지를 자동으로 식별하고 플래그를 지정합니다.
• 야생동물 보호: 개체 수와 생물 다양성을 모니터링하기 위해 카메라 트랩으로 촬영한 동물 종을 분류합니다.

Ultralytics 사용한 이미지 분류

객체 감지로 유명한 Ultralytics YOLO 모델은 이미지 분류 작업에서도 탁월한 성능을 발휘합니다. Ultralytics YOLOv11과 같은 최신 아키텍처는 Ultralytics Python 패키지 또는 코드가 필요 없는 Ultralytics HUB 플랫폼을 사용하여 분류를 위해 쉽게 훈련할 수 있습니다. 이러한 도구는 모델 훈련 팁과 이미지 분류를 위해 Ultralytics YOLOv11을 사용하는 방법에 대한 가이드와 같은 명확한 문서를 포함한 포괄적인 리소스를 제공합니다. 연습을 위해 PyTorch 분류 튜토리얼을 살펴보거나 Kaggle 이미지 분류 경연 대회에 참가해 보세요. 코드가 포함된 논문과 같은 리소스를 통해 최신 연구 발전에 대한 최신 정보를 받아보세요.