컴퓨터 비전 — CNN 이미지 분류

English summary — A convolutional-neural-network portfolio for image classification, built with TensorFlow/Keras. It walks through the complete CV pipeline: designing a Conv2D-based network for cats vs. dogs binary classification, real-time data augmentation with ImageDataGenerator + flow_from_directory, loading/visualizing image tensors, training the cat/dog CNN with ModelCheckpoint/EarlyStopping callbacks and plotting learning curves, and a handwritten-digit (MNIST) multiclass classifier with a separate save/load-based prediction script. Everything is written with the Keras Sequential API and emphasizes an end-to-end, reproducible workflow from raw images to inference.

---

개요

NVIDIA AI Academy Seoul 부트캠프(1기)에서 CNN 기반 컴퓨터 비전을 학습하며 작성한 실습 코드 모음입니다. 이미지 데이터를 다루는 실전 흐름 — CNN 설계 → 데이터 증강 → 학습(콜백) → 시각화 → 저장/예측 — 을 개·고양이 이진분류와 손글씨 숫자 다중분류 두 갈래로 다룹니다.

특징:

• Keras Sequential API로 Conv2D + MaxPooling2D 블록을 직접 쌓아 CNN 설계
• ImageDataGenerator의 회전·이동 증강과 flow_from_directory를 이용한 디렉터리 기반 배치 로딩
• ModelCheckpoint(save_best_only) · EarlyStopping(restore_best_weights) 콜백으로 best 모델 저장 및 과대적합 방지
• 학습(loss/val_loss) 곡선을 matplotlib으로 시각화 후 저장(savefig)
• 학습 스크립트와 예측 스크립트를 분리해 저장된 .keras 모델로 추론 수행 (손글씨 숫자)

---

모델 & 실험

과제	데이터셋	모델 (핵심 레이어/구조)	대표 파일
개·고양이 CNN 설계	Cats vs Dogs (150×150×3)	Conv2D(16)→Pool→Conv2D(32)→Pool→Conv2D(64)→Pool→Flatten→Dense(512)→Dense(1, sigmoid)	cat_dog_cnn_모델설계.py
데이터 증강	Cats vs Dogs	ImageDataGenerator(rescale·rotation 20°·height_shift 0.2) + flow_from_directory, 증강 이미지 저장	cat_dog_data_증강.py
이미지 로드·시각화	단일 고양이 JPG	image.load_img→img_to_array→정규화→imshow/savefig (텐서 shape 확인)	cats_imshow.py
개·고양이 CNN 학습	Cats vs Dogs (train/test)	위 CNN + binary_crossentropy, 제너레이터 학습(steps_per_epoch), 콜백, loss 곡선 시각화	cnn_cats_and_dogs_모델학습.py
손글씨 숫자 분류	sklearn load_digits (8×8, 10클래스)	Conv2D(32)→Pool→Conv2D(64)→Pool→Flatten→Dense(100)→Dropout→Dense(60)→Dense(10, softmax), 콜백	손글씨이미지_분류.py
손글씨 예측/추론	sklearn load_digits	저장된 mnist_bestmodel.keras 로드 후 검증 샘플 예측(예: 6 → 6)	손글씨이미지_분류_예측.py

---

결과

손글씨 숫자 데이터 시각화 (실제 출력)

저장소가 다루는 8×8 손글씨 숫자(load_digits)를 시각화한 실제 결과입니다. (results/)

숫자 샘플 그리드	PCA 2D 투영 (클래스 분리)

원본 8×8 이미지를 그리드로 확인하고, PCA로 2차원에 투영하면 숫자 클래스들이 특징 공간에서 어느 정도 분리되는 것을 볼 수 있습니다 — CNN이 학습하기 좋은 구조임을 시사합니다.

그 외 (CNN 학습 산출물)

• 개·고양이 CNN — ImageDataGenerator 증강 배치를 제너레이터로 학습, EarlyStopping으로 조기 종료 후 best 모델 저장, Train/Val loss 곡선을 catdog_model.jpeg로 저장.
• 데이터 증강 — 회전·이동으로 변형된 이미지를 save_to_dir에 저장해 증강 효과 확인.
• 손글씨 CNN — digits를 CNN으로 학습해 예측 스크립트로 검증.

개·고양이 데이터셋은 용량 문제로 저장소에 포함하지 않아 CNN 학습 곡선은 코드 기준으로만 서술합니다(외부 데이터 필요). 위 숫자 시각화는 results/ 생성 코드의 실제 출력입니다.

---

실행 방법

# 1) 의존성 설치
pip install -r requirements.txt

# 2) 개·고양이 CNN 학습 (데이터셋 디렉터리 필요)
python src/20260615/cnn_cats_and_dogs_모델학습.py

# 3) 손글씨 숫자 분류 학습 → best 모델 저장
python src/20260615/손글씨이미지_분류.py

# 4) 저장된 모델로 손글씨 예측/추론
python src/20260615/손글씨이미지_분류_예측.py

개·고양이 데이터셋 경로는 학습 당시 환경(/home/sckit/...cnn_cats_and_dogs_dataset/train|test) 절대경로로 작성되어 있습니다. 실행 시 본인 환경의 train/·test/ 디렉터리 경로로 수정하세요. 손글씨(load_digits) 데이터는 scikit-learn에서 자동 로드됩니다.

---

배운 점

• CNN 블록 구성 원리: Conv2D(특징 추출) → MaxPooling2D(다운샘플링) 블록을 반복해 채널을 늘려가며(16→32→64) 계층적 특징을 학습하는 구조를 이해했습니다.
• 입력 shape 설계: 컬러 이미지는 (150,150,3), 흑백 digits는 (8,8,1) 처럼 채널 수를 정확히 맞춰야 한다는 점을 익혔습니다.
• 데이터 증강의 효과: 데이터가 부족할 때 ImageDataGenerator의 회전·이동으로 일반화 성능을 높이고, flow_from_directory로 폴더 구조만으로 라벨링·배치 로딩을 자동화할 수 있음을 배웠습니다.
• 제너레이터 학습: fit(train_data_gen, steps_per_epoch=...) 처럼 스텝 기반으로 대용량 이미지를 메모리 효율적으로 학습하는 방식을 습득했습니다.
• 학습/추론 분리: best 모델을 저장하고 별도 스크립트에서 load_model로 불러와 예측하는 재현 가능한 파이프라인을 구성했습니다.

---

참고

• 자매 저장소 — deep-learning-keras : TensorFlow·Keras 딥러닝 기초(회귀·분류·배치정규화·오토인코더)
• 자매 저장소 — machine-learning-sklearn : scikit-learn 기반 고전 머신러닝
• NVIDIA AI Academy Seoul (NvidiaSeoul)

---

NVIDIA AI Academy Seoul · Cohort 1 포트폴리오의 일부 — 전체 보기