Custom Vision을 사용하여 모델 학습

2025-05-04

이 자습서의 이전 단계에서는 사용자 고유의 Windows Machine Learning 모델 및 앱을 만드는 필수 구성 요소를 설명하고 사용할 이미지 집합을 다운로드했습니다. 이 단계에서는 웹 기반 Custom Vision 인터페이스를 사용하여 이미지 집합을 이미지 분류 모델로 전환하는 방법을 알아봅니다.

Azure Custom Vision은 고유한 이미지 식별자를 빌드, 배포 및 개선할 수 있는 이미지 인식 서비스입니다. Custom Vision Service는 Custom Vision 웹 사이트의 웹 기반 인터페이스뿐만 아니라 네이티브 SDK 집합으로 사용할 수 있습니다.

Custom Vision 리소스 및 프로젝트 만들기

Custom Vision 리소스 만들기

Custom Vision Service를 사용하려면 Azure에서 Custom Vision 리소스를 만들어야 합니다.

Azure 계정의 기본 페이지로 이동하여 선택합니다 Create a resource.

Azure 리소스 선택

검색 상자에서 Custom Vision를 검색하면 Azure Marketplace에 들어갑니다. Custom Vision 만들기 페이지에서 대화 상자를 열려면 선택합니다 Create Custom Vision .

패키지 선택

Custom Vision 대화 상자 페이지에서 다음을 선택합니다.

Training 리소스와 Prediction 리소스를 모두 선택합니다.
배포된 리소스를 관리할 구독을 선택합니다. 메뉴에 Azure 구독이 표시되지 않으면 계정을 연 것과 동일한 자격 증명을 사용하여 Azure 계정을 로그아웃하고 다시 엽니다.
새 리소스 그룹을 만들고 이름을 지정합니다. 이 자습서에서는 저희가 MLTraining으로 지정했지만, 사용자 고유의 이름을 선택하거나 기존 리소스 그룹이 있는 경우 그것을 사용할 수도 있습니다.
프로젝트에 이름을 지정합니다. 이 튜토리얼에서는 우리 것을 classificationApp라고 이름 붙였지만, 원하는 이름을 사용할 수 있습니다.
Training 리소스 모두 Prediction 에 대해 위치를 (미국) 미국 동부로 설정하고 가격 책정 계층을 무료 FO로 설정합니다.

Review + create 키를 눌러 Custom Vision 리소스를 배포하세요. 리소스를 배포하는 데 몇 분 정도 걸릴 수 있습니다.

새 Custom Vision 리소스 배포

Custom Vision 내에서 새 프로젝트 만들기

이제 리소스를 만들었으므로 Custom Vision 내에서 교육 프로젝트를 만들어야 합니다.

웹 브라우저에서 Custom Vision 페이지로 이동하여 선택합니다 Sign in. Azure Portal에 로그인하는 데 사용한 것과 동일한 계정으로 로그인합니다.
새 프로젝트 대화 상자를 열려면 선택합니다 New Project .

새 프로젝트 만들기

다음과 같이 새 프로젝트를 만듭니다.

Name: 음식 분류.
Description: 다양한 유형의 음식 분류입니다.
Resource: 이전에 연 것과 동일한 리소스를 유지합니다 ClassificationApp [F0].
Project Types: classification
Classification Types: Multilabel (Multiple tags per image)
Domains: Food (compact).
Export Capabilities: Basic platforms (Tensorflow, CoreML, ONNX, ...)

비고

ONNX 형식으로 내보내려면 도메인을 Food (compact) 선택해야 합니다. 압축되지 않은 도메인은 ONNX로 내보낼 수 없습니다.

중요합니다

로그인한 계정이 Azure 계정과 연결된 경우 리소스 그룹 드롭다운에는 Custom Vision Service 리소스를 포함하는 모든 Azure 리소스 그룹이 표시됩니다. 사용할 수 있는 리소스 그룹이 없는 경우 Azure Portal에 로그인하는 데 사용한 것과 동일한 계정으로 customvision.ai 로그인했는지 확인하세요.

대화 상자를 채운 후 Create project을 선택합니다.

프로젝트 완료

학습 데이터 세트 업로드

이제 프로젝트를 만들었으므로 Kaggle Open Datasets에서 이전에 준비한 음식 이미지 데이터 세트를 업로드합니다.

FoodClassification 프로젝트를 선택하여 Custom Vision 웹 사이트의 웹 기반 인터페이스를 엽니다.
Add images 버튼을 선택하고 Browse local files를 고릅니다.

이미지 추가 대화 상자

이미지 데이터 세트의 위치로 이동하고 학습 폴더를 vegetable-fruit선택합니다. 폴더의 모든 이미지를 선택하고 을 선택합니다 open. 태그 지정 옵션이 열립니다.
vegetable-fruit을(를) My Tags 필드에 입력하고 Upload를 누르세요.

이미지 업로드

이미지의 첫 번째 그룹이 프로젝트에 업로드될 때까지 기다린 다음 키를 누릅니다 done. 태그 선택은 업로드하도록 선택한 이미지의 전체 그룹에 적용됩니다. 따라서 이미 미리 빌드된 이미지 그룹에서 이미지를 업로드하는 것이 더 쉽습니다. 개별 이미지가 업로드된 후에는 항상 태그를 변경할 수 있습니다.

이미지 업로드 진행률

이미지의 첫 번째 그룹이 성공적으로 업로드 된 후, 디저트와 수프의 이미지를 업로드하는 과정을 두 번 더 반복합니다. 관련 태그를 레이블에 붙이세요.

마지막에는 학습할 준비가 된 세 가지 이미지 그룹이 있습니다.

이미지 태그 표시

분류 모델을 학습시키다

이제 이전 부분에서 다운로드한 이미지 세트에서 채소, 수프 및 디저트를 분류하도록 모델을 학습시킵니다.

학습 프로세스를 시작하려면 오른쪽 위 모서리에서 단추를 선택합니다 Train . 분류자는 이미지를 사용하여 각 태그의 시각적 특성을 식별하는 모델을 만듭니다.

왼쪽 위 모서리에 있는 슬라이더를 사용하여 확률 임계값을 변경하는 옵션이 있습니다. 확률 임계값은 예측이 올바른 것으로 간주되기 위해 필요한 신뢰도 수준을 설정합니다. 확률 임계값이 너무 높으면 더 정확한 분류를 얻을 수 있지만 더 적은 수의 분류가 검색됩니다. 반면, 확률 임계값이 너무 낮으면 더 많은 분류를 감지하지만 신뢰도가 낮거나 가양성 결과가 늘어날 수 있습니다.

이 자습서에서는 확률 임계값을 50%유지할 수 있습니다.

여기서는 이 프로세스를 사용합니다 Quick Training . Advanced Training 에는 더 많은 설정이 있으며 학습에 사용되는 시간을 구체적으로 설정할 수 있지만 여기서는 이러한 수준의 제어가 필요하지 않습니다. 키를 눌러 Train 학습 프로세스를 시작합니다.

학습 유형 선택

빠른 학습 프로세스를 완료하는 데 몇 분밖에 걸리지 않습니다. 이 시간 동안 학습 프로세스에 대한 정보가 탭에 Performance 표시됩니다.

학습 프로세스

평가 및 테스트

결과 평가

학습이 완료되면 첫 번째 학습 반복에 대한 요약이 표시됩니다. 여기에는 정밀 도 및 재현율과 같은 모델 성능의 예측이 포함됩니다.

정밀도는 정확한 것으로 식별된 분류 부분을 나타냅니다. 모델에서 정밀도는%98.2이므로 모델이 이미지를 분류하는 경우 올바르게 예측될 가능성이 큽 있습니다.
재현율은 정확하게 식별된 실제 분류 부분을 나타냅니다. 우리 모델에서는 재현율이 97.5%이므로, 모델은 대부분의 이미지를 정확하게 분류합니다.
AP 는 추가 성능을 의미합니다. 이렇게 하면 다양한 임계값에서 정밀도 및 재현율을 요약하는 추가 메트릭이 제공됩니다.

모델 학습 평가