25분
클래스 불균형 처리: Focal Loss, SMOTE, Class Weights
Day 2: CNN 기반 불량 분류
클래스 불균형 처리: Focal Loss, SMOTE, Class Weights
비전 AI — 제조 외관검사 시스템 > Day 2: CNN 기반 불량 분류
학습 목표
클래스 불균형이 모델 성능에 미치는 영향을 이해한다 Focal Loss, 클래스 가중치, 오버샘플링 기법을 비교할 수 있다 제조 환경에 적합한 불균형 처리 전략을 선택할 수 있다
클래스 불균형: 제조 비전 AI의 가장 큰 적
문제의 심각성
에디터 로딩 중...
해결 전략 3가지
에디터 로딩 중...
에디터 로딩 중...
에디터 로딩 중...
전략 비교
| 전략 | 구현 난이도 | 효과 | 제조 추천 |
|---|---|---|---|
| Class Weights | 쉬움 | 중간 | 첫 시도 |
| Focal Loss | 중간 | 높음 | 강력 추천 |
| 오버샘플링 | 쉬움 | 중간 | 보조 수단 |
| 증강 오버샘플링 | 중간 | 높음 | 추천 |
| 조합 사용 | 높음 | 최고 | 프로덕션 |
실무 추천: Focal Loss + 증강 오버샘플링 조합
핵심 포인트
- • 정확도(Accuracy)는 불균형 데이터에서 신뢰할 수 없는 지표
- • Focal Loss는 어려운 샘플에 자동 집중하여 불균형에 효과적
- • 클래스 가중치는 가장 간단한 구현으로 첫 시도에 적합
- • 실무에서는 Focal Loss + 증강 오버샘플링 조합이 최적