기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
Amazon Rekognition Custom Labels 모델 개선
기계 학습 모델의 성능은 사용자 지정 레이블(관심 있는 특정 객체 및 장면)의 복잡성 및 가변성, 제공하는 훈련 데이터 세트의 품질 및 대표성, 모델 훈련에 사용되는 모델 프레임워크 및 기계 학습 방법과 같은 요인에 따라 크게 달라집니다.
Amazon Rekognition Custom Labels를 사용하면 이 프로세스가 더 간단해지며 기계 학습 전문 지식이 필요하지 않습니다. 하지만 좋은 모델을 구축하는 프로세스에는 원하는 성능을 달성하기 위해 데이터를 반복하고 모델을 개선해야 하는 경우가 많습니다. 다음은 모델을 개선하는 방법에 대한 정보입니다.
데이터
일반적으로 품질이 더 좋은 데이터를 대량으로 확보하여 모델 품질을 개선할 수 있습니다. 객체나 장면을 명확하게 보여주고 불필요한 물건이 쌓여 있지 않은 훈련 이미지를 사용하세요. 객체 주위의 경계 상자의 경우, 객체가 다른 물체에 가려지지 않고 완전히 보이는 훈련 이미지를 사용하세요.
훈련 및 테스트 데이터 세트가 추론을 실행할 대상 이미지 유형과 일치하는지 확인하세요. 로고와 같이 훈련 예제가 몇 개 없는 객체의 경우 테스트 이미지의 로고 주위에 경계 상자를 제공해야 합니다. 이 이미지는 객체의 위치를 파악하려는 시나리오를 나타내거나 묘사합니다.
훈련 또는 테스트 데이터 세트에 더 많은 이미지를 추가하려면 데이터 세트에 더 많은 이미지 추가 항목을 참조하세요.
거짓 긍정 감소(정밀도 향상)
-
먼저, 추정 임계값을 높였을 때 정확한 예측을 유지하면서 거짓 긍정이 줄어드는지 확인하세요. 특정 모델의 정밀도와 재현율 간의 대립성 때문에 어느 시점부터는 효과가 줄어듭니다. 레이블에 대해 추정 임계값을 설정할 수는 없지만
MinConfidence입력 파라미터에 대해 높은 값을DetectCustomLabels로 지정하여 동일한 결과를 얻을 수 있습니다. 자세한 내용은 훈련된 모델을 사용한 이미지 분석 섹션을 참조하세요. -
관심 있는 사용자 지정 레이블(A) 중 하나 이상이 동일한 분류의 객체(관심 있는 레이블은 아님)(B)와 계속 혼동되는 상황이 나타날 수 있습니다. 이를 해결하려면 B를 거짓 긍정이 나온 이미지와 함께 훈련 데이터 세트에 객체 분류 레이블로 추가하세요. 이는 모델이 새로운 훈련 이미지를 통해 A가 아닌 B를 예측하도록 학습하도록 돕는 것입니다. 훈련 데이터 세트에 이미지를 추가하려면 데이터 세트에 더 많은 이미지 추가 항목을 참조하세요.
-
두 개의 사용자 지정 레이블(A와 B)로 인해 모델이 혼란을 겪을 수 있습니다. 레이블 A가 있는 테스트 이미지는 레이블 B가 있는 것으로 예측되며 그 반대의 경우도 마찬가지입니다. 이 경우 먼저 훈련 세트와 테스트 세트에서 레이블이 잘못 지정된 이미지가 없는지 확인하세요. 데이터 세트 갤러리를 사용하여 데이터 세트에 할당된 레이블을 관리하세요. 자세한 내용은 레이블 관리 섹션을 참조하세요. 또한 이러한 유형의 혼란과 관련된 훈련 이미지를 더 추가하면 재훈련된 모델이 A와 B를 더 잘 구별하는 데 도움이 됩니다. 훈련 데이터 세트에 이미지를 추가하려면 데이터 세트에 더 많은 이미지 추가 항목을 참조하세요.
거짓 긍정 감소(기억력 향상)
-
추정 임계값에는 더 낮은 값을 사용하세요. 레이블에 대해 추정 임계값을 설정할 수는 없지만 더 낮은
MinConfidence입력 파라미터를DetectCustomLabels로 지정하여 동일한 결과를 얻을 수 있습니다. 자세한 내용은 훈련된 모델을 사용한 이미지 분석 섹션을 참조하세요. -
더 나은 예제를 사용하여 객체와 객체가 나타나는 이미지의 다양성을 모델링하세요.
-
레이블을 학습하기 쉬운 두 개의 분류로 나누세요. 예를 들어, 모델이 각각의 고유한 개념을 더 잘 학습하는 데 도움이 되도록 좋은 쿠키와 나쁜 쿠키 대신 좋은 쿠키, 탄 쿠키, 깨진 쿠키를 제공할 수 있습니다.
