영상 핵심 정리 — 전이학습으로 이미지 분류

Fine-tuning vs Feature Extraction

방식	학습 레이어	데이터 필요	학습 시간	추천
Feature Extraction	헤드만	100~500장	짧음	도메인 유사
Fine-tuning (일부)	후반 레이어	500~2000장	중간	제조 텍스처
Full Fine-tuning	전체	5000장+	김	도메인 차이 큼

YOLO 좌표 포맷

# YOLO 라벨 예시 (scratch 클래스=1)
1 0.512 0.334 0.087 0.043
│   │     │     │     └── h (높이/이미지높이)
│   │     │     └──────── w (너비/이미지너비)
│   │     └────────────── cy (중심y/이미지높이)
│   └──────────────────── cx (중심x/이미지너비)
└──────────────────────── class_id

# 픽셀 복원 (640×640)
cx_px = 0.512 × 640 = 328
w_px  = 0.087 × 640 =  56

mAP 지표

mAP@50     = IoU 0.5 기준 AP 평균
             (위치 GT와 50% 이상 겹치면 정답)
mAP@50-95  = IoU 0.5, 0.55, ..., 0.95 각 AP 평균
             (더 정밀한 위치 예측 요구)

제조 불량 검사:
  → 위치보다 '탐지 여부' 중요 → mAP@50 우선
  → 크기·위치 정밀 측정 시 mAP@50-95

전이학습 코드 패턴

import torchvision.models as models
import torch.nn as nn

model = models.resnet50(pretrained=True)
for param in model.parameters():
    param.requires_grad = False  # 백본 동결
model.fc = nn.Linear(2048, 3)

함정 주의: pretrained=True 없이 학습하면 처음부터 수렴해야 해서 수천 장 필요. 제조 데이터 수집 비용 고려하면 전이학습은 필수.

다음 task와의 연결

다음 reading에서 YOLOv8 mAP, Precision, Recall 평가 지표를 다룬다.

제조 불량 탐지 모델의 평가 지표로 mAP@50과 mAP@50-95를 사용할 때 어느 지표가 더 중요한지 검증해줘. IoU 0.5와 0.5~0.95 구간 평균의 차이, Feature Extraction(백본 동결+헤드만 학습)과 Full Fine-tuning 중 어느 전략이 소량 제조 불량 데이터에 더 적합한지, YOLO 좌표 포맷(cx, cy, w, h 0~1 정규화)이 잘못됐을 때 탐지 결과에 어떤 오류가 생기는지도 보여줘.