{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "### VGG net 이란\n", "\n", "VGGNet은 컴퓨터 비전 분야에서 널리 사용되는 심층 합성곱 신경망(Convolutional Neural Network, CNN)이다.\n", "\n", "VGGNet은 K. Simonyan과 A. Zisserman이 \"Very Deep Convolutional Networks for Large-Scale Image Recognition\"이라는 논문에서 제안한 합성곱 신경망 모델이다.\n", "\n", "이 아키텍처는 ImageNet에서 92.7%의 상위 5개 테스트 정확도를 달성했으며, 이는 1000개의 클래스에 속하는 1400만 개 이상의 이미지를 포함하고 있습다.\n", "\n", "![imagenet](./images/imagenet.jpg)\n", "\n", "VGGNet은 여러 개의 작은 (3x3) 커널을 가진 합성곱 계층과 2x2 풀링 계층으로 구성되어 있으며, \n", "\n", "이를 여러 번 반복하여 깊은 네트워크를 구성된다.\n", "\n", "가장 유명한 버전은 VGG16과 VGG19이다." ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### VGG16 아키텍처의 주요 특징\n", "\n", "![vggnet](./images/vggnet.png)\n", "\n", "모델에 대한 입력은 고정 크기인 224×224x3 RGB 이미지이다.\n", "\n", "전처리는 각 픽셀에서 훈련 데이터 세트에서 계산된 평균 RGB 값을 빼는 것이다.\n", "\n", "이미지는 매우 작은 수용 필드인 3 × 3의 필터가 있는 여러 개의 합성곱(Conv.) 계층을 통해 실행된다.\n", "\n", "일부 구성에서는 1 × 1 합성곱 필터도 사용한다.\n", "\n", "합성곱의 보폭은 1 픽셀로 고정되어 있다.\n", "\n", "공간 풀링은 일부 Conv. 계층 뒤에 있는 5개의 최대 풀링 계층에 의해 수행된다.\n", "\n", "아키텍처에는 세 개의 완전 연결(FC) 계층이 포함되어 있으며, 처음 두 FC는 각각 4096개의 채널을 가지고 있고, 세 번째 FC는 1000개의 채널을 가지고 있다.\n", "\n", "마지막 계층은 소프트맥스 계층이다.\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### 데이터셋 (Cifar10)\n", "\n", "![cfar10](./images/cfar10.png)\n", "\n", "* 이미지 수와 카테고리: 데이터셋은 총 60,000개의 이미지로 구성되어 있으며, 이 중 50,000개는 학습용, 10,000개는 테스트용으로 분리되어 있다. \n", "\n", "* 10가지 카테고리는 각각 공통된 대상을 나타낸다. \n", "\n", "* 이 카테고리들은 '비행기', '자동차', '새', '고양이', '사슴', '개', '개구리', '말', '배', '트럭' 등이다.\n", "\n", "* 모든 이미지는 32x32 픽셀 크기의 3채널 컬러(RGB) 이미지\n" ] }, { "cell_type": "code", "execution_count": 6, "metadata": {}, "outputs": [], "source": [ "from tensorflow.keras.datasets import cifar10\n", "from tensorflow.keras.utils import to_categorical\n", "from tensorflow.keras.models import Sequential\n", "from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense\n", "\n", "# CIFAR-10 데이터셋 로드\n", "(X_train, y_train), (X_test, y_test) = cifar10.load_data()\n", "\n", "# 데이터 정규화\n", "X_train = X_train.astype('float32')\n", "X_test = X_test.astype('float32')\n", "X_train /= 255\n", "X_test /= 255\n", "\n", "# 원-핫 인코딩\n", "Y_train = to_categorical(y_train, 10)\n", "Y_test = to_categorical(y_test, 10)\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### VGG Net 모델 구성" ] }, { "cell_type": "code", "execution_count": 7, "metadata": {}, "outputs": [], "source": [ "from keras.models import Sequential\n", "from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense\n", "\n", "model = Sequential()\n", "\n", "# 첫 번째 블록\n", "model.add(Conv2D(64, (3, 3), padding='same', activation='relu', input_shape=(32, 32, 3)))\n", "model.add(Conv2D(64, (3, 3), padding='same', activation='relu'))\n", "model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))\n", "\n", "# 두 번째 블록\n", "model.add(Conv2D(128, (3, 3), padding='same', activation='relu'))\n", "model.add(Conv2D(128, (3, 3), padding='same', activation='relu'))\n", "model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))\n", "\n", "# 세 번째 블록\n", "model.add(Conv2D(256, (3, 3), padding='same', activation='relu'))\n", "model.add(Conv2D(256, (3, 3), padding='same', activation='relu'))\n", "model.add(Conv2D(256, (3, 3), padding='same', activation='relu'))\n", "model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))\n", "\n", "# 네 번째 블록\n", "model.add(Conv2D(512, (3, 3), padding='same', activation='relu'))\n", "model.add(Conv2D(512, (3, 3), padding='same', activation='relu'))\n", "model.add(Conv2D(512, (3, 3), padding='same', activation='relu'))\n", "model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))\n", "\n", "# 다섯 번째 블록\n", "model.add(Conv2D(512, (3, 3), padding='same', activation='relu'))\n", "model.add(Conv2D(512, (3, 3), padding='same', activation='relu'))\n", "model.add(Conv2D(512, (3, 3), padding='same', activation='relu'))\n", "model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))\n", "\n", "# 완전 연결 계층\n", "model.add(Flatten())\n", "model.add(Dense(4096, activation='relu'))\n", "model.add(Dense(4096, activation='relu'))\n", "model.add(Dense(10, activation='softmax')) # CIFAR-10 데이터셋을 위한 출력 계층\n", "\n", "model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### 학습" ] }, { "cell_type": "code", "execution_count": 8, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Epoch 1/10\n", "1250/1250 [==============================] - 1253s 1s/step - loss: 2.3029 - accuracy: 0.0996 - val_loss: 2.3027 - val_accuracy: 0.0980\n", "Epoch 2/10\n", "1250/1250 [==============================] - 1184s 947ms/step - loss: 2.3027 - accuracy: 0.0996 - val_loss: 2.3028 - val_accuracy: 0.0952\n", "Epoch 3/10\n", "1250/1250 [==============================] - 1435s 1s/step - loss: 2.3028 - accuracy: 0.0993 - val_loss: 2.3027 - val_accuracy: 0.0952\n", "Epoch 4/10\n", "1250/1250 [==============================] - 1336s 1s/step - loss: 2.3028 - accuracy: 0.0992 - val_loss: 2.3027 - val_accuracy: 0.0980\n", "Epoch 5/10\n", "1250/1250 [==============================] - 1411s 1s/step - loss: 2.3028 - accuracy: 0.0997 - val_loss: 2.3028 - val_accuracy: 0.0952\n", "Epoch 6/10\n", "1250/1250 [==============================] - 1310s 1s/step - loss: 2.3028 - accuracy: 0.0992 - val_loss: 2.3027 - val_accuracy: 0.1014\n", "Epoch 7/10\n", "1250/1250 [==============================] - 1282s 1s/step - loss: 2.3027 - accuracy: 0.0986 - val_loss: 2.3027 - val_accuracy: 0.1022\n", "Epoch 8/10\n", "1250/1250 [==============================] - 1300s 1s/step - loss: 2.3028 - accuracy: 0.0981 - val_loss: 2.3027 - val_accuracy: 0.1025\n", "Epoch 9/10\n", "1250/1250 [==============================] - 1360s 1s/step - loss: 2.3027 - accuracy: 0.1002 - val_loss: 2.3029 - val_accuracy: 0.0952\n", "Epoch 10/10\n", "1250/1250 [==============================] - 1400s 1s/step - loss: 2.3027 - accuracy: 0.0996 - val_loss: 2.3026 - val_accuracy: 0.1016\n" ] }, { "data": { "text/plain": [ "" ] }, "execution_count": 8, "metadata": {}, "output_type": "execute_result" } ], "source": [ "model.fit(X_train, Y_train, batch_size=32, epochs=10, validation_split=0.2)" ] }, { "cell_type": "code", "execution_count": 10, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "INFO:tensorflow:Assets written to: vgg16.model\\assets\n" ] }, { "name": "stderr", "output_type": "stream", "text": [ "INFO:tensorflow:Assets written to: vgg16.model\\assets\n" ] } ], "source": [ "model.save('vgg16.model')" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### 평가" ] }, { "cell_type": "code", "execution_count": 9, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Test loss: 2.3026254177093506\n", "Test accuracy: 0.10000000149011612\n" ] } ], "source": [ "score = model.evaluate(X_test, Y_test, verbose=0)\n", "print('Test loss:', score[0])\n", "print('Test accuracy:', score[1])\n" ] } ], "metadata": { "kernelspec": { "display_name": "Python 3", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.10.11" } }, "nbformat": 4, "nbformat_minor": 2 }