Swift(스위프트): Core ML + Create ML 기초 요약 上 (기계학습 모델 만들기)

Core ML

기계학습(Machine Learning)에 의한 이미지 분석, 텍스트 처리 등의 작업을 네트워크를 통하지 않고 기기(아이폰, 아이패드, 맥 등) 내의 AP를 이용하여 수행할 수 있도록 하는 라이브러리입니다. Core ML은 Apple 하드웨어를 활용하고 메모리 공간 및 전력 소비를 최소화하여 다양한 모델 유형의 기기 내 성능에 최적화되어 있습니다.

온전히 기기 자체에서 모델 실행
- 네트워크가 필요 없음
- 개인 정보 보호 가능
모델을 Core ML로 변환
- TensorFlow 또는 PyTorch와 같은 라이브러리의 모델을 Core ML로 변환
첨단 신경망 실행
기기 내에서 모델 맞춤화

참고: 기계학습

기계 학습(機械學習) 또는 머신 러닝(영어: machine learning)은 경험을 통해 자동으로 개선하는 컴퓨터 알고리즘의 연구이다. 인공지능의 한 분야로 간주된다. 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야이다. 가령, 기계 학습을 통해서 수신한 이메일이 스팸인지 아닌지를 구분할 수 있도록 훈련할 수 있다.

기계 학습의 핵심은 표현(representation)과 일반화(generalization)에 있다. 표현이란 데이터의 평가이며, 일반화란 아직 알 수 없는 데이터에 대한 처리이다. 이는 전산 학습 이론 분야이기도 하다. 다양한 기계 학습의 응용이 존재한다. 문자 인식은 이를 이용한 가장 잘 알려진 사례이다.

기계 학습: 위키피디아

Create ML

Create ML은 Core ML에 사용할 기계학습 모델을 비전문가도 Mac 하드웨어 상에서 쉽게 생성할 수 있게 하도록 지원하는 도구입니다. Create ML은 강력한 Core ML 모델을 생성하면서 모델 학습의 복잡성을 해소합니다.

기능

다중 모델 학습
학습 제어
eGPU 학습 지원
온디바이스 학습
모델 미리보기
시각적 평가

모델 유형

이미지
- 이미지 분류
- 물체 인식
- 손 자세 분류
- 스타일 전환
비디오
- 동작 분류
- 손 동작 분류
- 스타일 전환
모션
사운드
텍스트
- 텍스트 분류
- 단어 태그 지정
테이블 형식
- 테이블 형식 분류
- 테이블 형식 회귀 분석

Core ML과 Create ML을 바탕으로 이미지 분류 앱 제작

이 글에서는 이미지 분류(Image Classification)가 가능한 기계학습 모델을 만든 뒤 그 모델을 앱에 적용해 개, 고양이, 소, 말을 구분하는 앱을 제작합니다.

: 개

: 고양이

: 소

: 말

순서

각 동물의 사진을 수집 (최소 100장 이상)
수집한 사진을 Create ML을 이용해 기계학습을 시킨 뒤 모델 파일(*.mlmodel)을 생성
해당 모델 파일을 Xcode 프로젝트에 추가한 후 해당 모델을 이용한 앱 제작
실제 기기에서 앱 실행

Create ML 사용법

먼저 Create ML을 사용해 기계학습 모델을 만듭니다.

Create ML 프로젝트 생성

1: Xcode를 열고 상단 Xcode > Open Developer Tool > Create ML을 클릭합니다.

2: 파일 선택 창이 열리는데 하단의 New Document 버튼을 클릭합니다.

3: 다양한 예제가 있는데, 여기서는 이미지 분석(Image Classification) 프로젝트를 생성합니다. 해당 아이콘을 클릭하고 하단의 Next 버튼을 클릭합니다.

4: 프로젝트 이름, 저자, 설명 등을 작성합니다. 하단의 Next 버튼을 클릭합니다.

5: 파일 창이 뜨는데 Create 버튼을 누르면 프로젝트가 생성됩니다.

학습 진행하기

학습을 진행하기 위해서는 먼저 Training Data(학습 데이터)와 Testing Data(테스팅 데이터)가 필요합니다. (Validation Data는 옵션 사항이며 학습 데이터에서 자동으로 추출하여 진행할 수 있음)

Class
- 이미지 구분 학습 모델에서, 구분 기준(카테고리)입니다. 예를 들어 개와 고양이를 구분하는 모델을 생성하고자 한다면 개, 고양이가 각각 클래스가 됩니다.
Training Data
- 기계 학습의 바탕이 되는 데이터이며 Create ML은 전적으로 학습 데이터에 의존해서 기계 학습 모델을 생성합니다.
- 따라서 카테고리 이름에 맞는 데이터를 입력하는게 최우선이며, 카테고리명과 다른 사진 등이 들어갈 경우 제대로된 모델이 생성되지 않습니다.
Testing Data
- Training Data를 바탕으로 평가를 진행하고, 그 평가 결과를 바탕으로 신뢰도 수치(Precision과 Recall)를 제공합니다.
- 신뢰도 수치는 각각 100%가 최대값이며 높으면 높을수록 해당 모델의 예측 성능이 좋아집니다.

1: Training Data를 추가합니다. 학습 데이터 박스에 있는 Select... 버튼을 클릭합니다.

파일 창이 뜨는데, 상위 폴더를 기준으로 각각 클래스(카테고리)를 폴더로 구분하여 정리한 후 해당 상위 폴더를 선택합니다.

보다 자세한 폴더 구조는 다음과 같습니다.

사진 수는 많을 수록 좋지만, 반드시 많은 사진 학습 수가 모델의 구분 성능을 좌우하지는 않습니다. (사진 수가 많은데 오히려 Precison & Recall 수치가 떨어지는 경우도 있음) 이 글에서는 각 클래스당 200개씩 사진을 준비했습니다.

2: 테스팅 데이터 추가

테스팅 데이터도 학습 데이터와 마찬가지로 추가합니다. 단, 학습 데이터에 사용된 사진을 재사용하면 학습이 제대로 되지 않을 수 있으므로 학습 데이터와 중복되지 않는 별개의 사진들을 준비해 추가합니다. 테스팅 데이터 박스에서 Select... 버튼을 눌러 폴더를 추가합니다.

3: Train 시작

Training Data와 Testing Data가 준비되었다면 상단의 Train 버튼을 눌러 학습을 시작합니다.

Iterations
- 학습에서 동일한 과정을 반복해 모델의 구분 성능을 높입니다.
- 너무 과도한 반복 학습은 오히려 정확도를 떨어트릴 수도 있습니다.
Augmentations
- 다양한 상황을 가정해(노이즈가 있거나, 블러, 크롭된 사진 등) 이미지 후처리를 한 후 학습을 진행해 구분 성능을 높입니다.
- 학습 시간이 굉장히 늘어나는 단점이 있으며, 이미지가 매우 많을 경우는 이미 이미지 수 자체가 그러한 상황이 반영되어 있을 확률이 높기 떄문에 그대로 진행하는 것이 나을 수 있습니다.

4: 모델 성능 측정

학습이 완료되면 Evaluation 탭 란에 결과가 표시됩니다. Precision과 Recall 두 수치를 이용해 모델의 성능을 평가합니다.

참고: Precision과 Recall

모델을 평가하는 요소는 결국, 모델이 내놓은 답과 실제 정답의 관계로써 정의를 내릴 수 있습니다. 정답이 True와 False로 나누어져있고, 분류 모델 또한 True False의 답을 내놓습니다. 그렇게 하면, 아래와 같이 2×2 matrix로 case를 나누어볼 수 있겠네요.

True Positive(TP) : 실제 True인 정답을 True라고 예측 (정답)

False Positive(FP) : 실제 False인 정답을 True라고 예측 (오답)

False Negative(FN) : 실제 True인 정답을 False라고 예측 (오답)

True Negative(TN) : 실제 False인 정답을 False라고 예측 (정답)

위 다이어그램을 바탕으로 Precision과 Recall을 구분하면 다음과 같습니다.

Precision (정밀도)

정밀도란 모델이 True라고 분류한 것 중에서 실제 True인 것의 비율입니다.

TP / (TP + FP)

Recall (재현율)

재현율이란 실제 True인 것 중에서 모델이 True라고 예측한 것의 비율입니다

TP / (TP + FN)

Precision과 함께 Recall을 함께 고려하면 실제 TRUE 값(즉, 분류의 대상이 되는 정의역, 실제 data)의 입장에서 우리의 TRUE라고 예측한 비율을 함께 고려하게 되어 제대로 평가할 수 있습니다. Precision과 Recall은 상호보완적으로 사용할 수 있으며, 두 지표가 모두 높을 수록 좋은 모델입니다.

분류성능평가지표 – Precision(정밀도), Recall(재현율) and Accuracy(정확도)