30분
ResNet, EfficientNet, MobileNet 아키텍처 비교
Day 2: CNN 기반 불량 분류
ResNet, EfficientNet, MobileNet 아키텍처 비교
비전 AI — 제조 외관검사 시스템 > Day 2: CNN 기반 불량 분류
학습 목표
주요 CNN 아키텍처의 구조와 특징을 비교할 수 있다 제조 환경에 맞는 모델을 선택하는 기준을 이해한다 Transfer Learning이 왜 필수인지 파악한다
제조 비전에 쓰이는 CNN 아키텍처
아키텍처 비교표
| 모델 | 파라미터 | Top-1 정확도 | 추론 속도 | 특징 | 제조 추천 |
|---|---|---|---|---|---|
| ResNet-50 | 25.6M | 76.1% | 중간 | 잔차 연결 | 서버/PC |
| ResNet-18 | 11.7M | 69.8% | 빠름 | 경량 ResNet | 빠른 프로토타입 |
| EfficientNet-B0 | 5.3M | 77.1% | 빠름 | 효율적 스케일링 | 균형 |
| EfficientNet-B4 | 19.0M | 82.9% | 느림 | 고정확도 | 정밀 검사 |
| MobileNet-V3 | 5.4M | 75.2% | 매우 빠름 | 경량화 | 엣지/모바일 |
| ConvNeXt-T | 28.6M | 82.1% | 중간 | 최신 설계 | 최고 성능 |
ResNet: 잔차 연결의 힘
[ResNet의 핵심: Skip Connection]
일반 네트워크: ResNet:
입력 x 입력 x ─────────┐
↓ ↓ │
Conv → ReLU Conv → ReLU │
↓ ↓ │
Conv Conv │
↓ ↓ │
ReLU + (합산) ←───────┘
↓ ↓
출력 F(x) ReLU
↓
출력 F(x) + x
효과: 그래디언트가 skip connection을 통해 직접 전달
→ 깊은 네트워크도 안정적으로 학습 가능
→ 제조: 50층 이상의 깊은 모델로 미세 결함 검출EfficientNet: 효율적 스케일링
[EfficientNet의 3가지 스케일링]
폭(Width) 깊이(Depth) 해상도(Resolution)
↕ ↕ ↕
┌─────────┐ ┌─────────┐ ┌──────────┐
│ ■■ │ │ ■ │ │ ■■ │
│ ■■ │ │ ■ │ │ ■■ │
│ │ │ ■ │ │ ■■ │
│ │ │ ■ │ │ ■■ │
└─────────┘ └─────────┘ └──────────┘
EfficientNet: 3가지를 동시에 최적 비율로 스케일
→ 같은 파라미터 수 대비 최고 정확도
→ 제조: 작은 모델(B0)로도 높은 성능MobileNet: 엣지 디바이스용
[MobileNet의 Depthwise Separable Convolution]
일반 Conv: MobileNet:
H×W×C_in → H×W×C_out H×W×C_in
필터: C_out × C_in × K × K ↓ Depthwise (채널별 독립)
연산: H×W×K×K×C_in×C_out H×W×C_in
↓ Pointwise (1×1 Conv)
H×W×C_out
연산량: 1/8 ~ 1/9로 감소!
→ 제조: 생산 라인 옆 소형 PC, 엣지 디바이스에 배포제조 환경별 모델 선택 가이드
| 환경 | 추천 모델 | 이유 |
|---|---|---|
| 서버 (고정밀) | EfficientNet-B4 | 최고 정확도 |
| PC (균형) | ResNet-50, EfficientNet-B0 | 속도/정확도 균형 |
| 엣지 (실시간) | MobileNet-V3 | 초경량, 빠른 추론 |
| 프로토타입 | ResNet-18 | 빠른 학습, 간단 |
Transfer Learning이 필수인 이유
[제조 현장의 현실]
보유 데이터: 양품 5,000장, 불량 200장
필요 데이터: 최소 10,000장 (처음부터 학습 시)
해결: Transfer Learning (전이 학습)
ImageNet 1,400만 장으로 사전학습된 모델
↓
초기 층(엣지, 텍스처 검출) 고정
↓
마지막 분류 층만 제조 데이터로 재학습
↓
200장으로도 90%+ 정확도 달성!AI로 학습하기 — 꿀팁
🤖제조 환경별 CNN 아키텍처 선택 가이드 생성AI 학습 팁
ResNet, EfficientNet, MobileNet을 제조 제약 조건(엣지 디바이스, 실시간 처리, 정확도 우선)에 매핑한 의사결정 가이드를 생성한다.
제조 비전 검사 시스템을 위한 CNN 아키텍처 선택 가이드를 만들어줘. ResNet-50, EfficientNet-B4, MobileNetV3-Small을 다음 5가지 제조 시나리오에 대해 비교 추천해줘: 1) 반도체 웨이퍼 검사 (초고정밀, 학습 데이터 풍부, 서버 GPU 사용), 2) 자동차 도장 불량 검사 (실시간 라인 속도 준수, 다양한 불량 유형), 3) 소형 PCB 표면 검사 (엣지 디바이스 NVIDIA Jetson Nano 배포), 4) 식품 이물질 검사 (데이터 부족, Transfer Learning 활용), 5) 의료기기 부품 검사 (최고 정확도, 오검 용납 불가). 각 시나리오에 대해 '추천 모델 / 주요 이유 / 예상 정확도 / 추론 속도 / 메모리 요구사항'을 표로 정리해줘.
이 팁이 도움이 됐나요?
핵심 포인트
- • ResNet: 잔차 연결로 깊은 네트워크 안정 학습, 서버/PC 환경 추천
- • EfficientNet: 폭/깊이/해상도 동시 스케일링, 효율 최고
- • MobileNet: 경량화 설계, 엣지 디바이스/실시간 검사 적합
- • Transfer Learning으로 소량 데이터(200장)로도 높은 성능 가능