이미지 분류Image Classification

정해진 목록 안에서만 골라요

분류기를 만들 때는 먼저 이름표 목록을 정해요. 강아지·고양이·새 세 가지로 정했다면, 그 뒤로 어떤 사진이 들어와도 답은 이 셋 중 하나예요. 컵 사진을 넣어도 강아지나 고양이나 새 가운데 하나가 나와요.

이 성질을 알고 있으면 결과를 훨씬 잘 읽을 수 있어요. 엉뚱한 답이 나왔을 때 모델이 고장 난 게 아니라, 애초에 답할 수 없는 질문을 받은 경우가 많아요. 그래서 실제로 쓸 때는 "그 밖"이라는 칸을 목록에 하나 더 넣어 두고, 관계없는 사진을 여기로 보내도록 함께 가르치기도 해요.

목록에 있는 이름표라도 학습할 때 본 적 없는 모습이면 흔들려요. 낮에 찍은 사진만 보고 배웠다면 밤에 찍은 같은 물건에서 헤매요. 웹캠으로 만들어 볼 때 배경을 바꾸거나 각도를 바꿔서 여러 장 찍어 두면 결과가 눈에 띄게 나아지는 이유예요.

답은 점수로 나와요

분류기는 "이건 고양이"라고 단정하지 않아요. 이름표마다 점수를 매겨요. 고양이 0.82, 강아지 0.15, 새 0.03처럼요. 모든 점수를 더하면 1이 되도록 맞춰져 있어서, 각각을 백분율처럼 읽을 수 있어요.

우리가 보는 답은 그중 가장 높은 하나예요. 그런데 1등 점수가 0.9인 경우와 0.35인 경우는 사정이 아주 달라요. 앞은 꽤 확신하는 상태고, 뒤는 그저 나머지보다 조금 나을 뿐이에요. 웹캠 앞에서 물건을 천천히 돌려 보면 점수 막대가 출렁이는 걸 볼 수 있는데, 그 출렁임이 모델이 얼마나 갈팡질팡하는지를 보여 줘요.

그래서 실제 서비스에서는 1등 점수가 일정 수준을 넘을 때만 답으로 쓰고, 넘지 못하면 "모르겠음"으로 처리하는 방법을 흔히 써요.

어디에 있는지는 말해 주지 않아요

이미지 분류의 가장 큰 한계는 위치예요. 책상 사진을 넣으면 "책상"이라고는 하지만, 책상이 사진의 어느 쪽에 있는지, 위에 놓인 컵은 몇 개인지 말해 주지 않아요. 사진에 물건이 여럿 있으면 그중 가장 눈에 띄는 하나에 끌려가 버려요.

여기서 한 칸 올라간 것이 물건마다 네모를 치는 객체 인식이고, 거기서 한 칸 더 올라간 것이 점 단위로 모양을 따 내는 세그멘테이션이에요. 사진 한 장에 이름표 하나, 물건마다 네모 하나, 점마다 이름표 하나. 필요한 정밀도가 올라갈수록 준비할 학습 자료도 무거워져요. 분류는 사진에 이름만 적어 두면 되지만, 네모나 모양은 사람이 일일이 그려 줘야 하거든요.

웹캠으로 바로 해 볼 수 있어요

이미지 분류가 다른 일보다 문턱이 낮은 이유는 학습 자료를 모으기 쉽기 때문이에요. 사진을 종류별 폴더에 나눠 담는 것만으로 자료 준비가 끝나요.

이미 사진을 잔뜩 보고 배워 둔 큰 모델을 가져다가 마지막 부분만 내 사진으로 다시 배우게 하는 방법도 흔해요. 잔무늬와 부품을 알아보는 힘은 그대로 물려받고, 이름표를 고르는 부분만 새로 가르치는 거예요. 그래서 각 종류마다 사진 열 장 남짓만 찍어 줘도 쓸 만한 분류기가 나와요. 브라우저에서 몇 분 만에 끝나는 체험 도구들이 바로 이 방식을 써요.