108 |
3.2. 딥러닝 방법
개체 식별을 위해 적용한 딥러닝 모형은 YOLOv5로 깃허브(https://github.com, 검색일: 2022. 10. 20.)에서 제공하는 오픈소스 프로그램을 활용하여 분석한다.
YOLO 방법론은 영상 내 개체 식별에 폭넓게 활용되는 딥러닝 모형이다. 객체 탐 지 딥러닝 모형은 정확도는 높으나 속도가 느린 2단계(2-stage) 탐지기와 상대적 으로 속도는 빠르나 정확도가 낮은 1단계(1-stage) 탐지기가 있다. YOLO는 1단계 탐지기로서 탐지 속도가 빠른 편이며, 영상을 여러 장으로 나누지 않고 단번에 인 식하면서도 인식 능력이 비교적 좋아 널리 활용되고 있다.
YOLO 딥러닝 모형은 영상 학습 과정에서는 합성곱신경망(Convolutional Neural Network) 모형을 활용한다. 합성곱신경망은 인공신경망(Artificial Neural Network)의 일종으로 영상인식에 주로 활용된다. 영상자료를 다양한 필터 등을 통해 가공하여 인공신경망을 통해 인식할 수 있도록 고안된 딥러닝 방법이다.
딥러닝 모형의 성능 분석을 위해 PR 곡선(Precision Recall Curve), mAP(Mean Average Precision) 등을 활용한다. 딥러닝에서 정확도(Precision)는 딥러닝 모형 이 참으로 분류한 것이 실제 참인 확률을 나타낸다.
정확도 = 실제 참인 수
<식 6-1>
딥러닝 모형이 참이라고 예측한 수
딥러닝 모형이 총 10개를 참이라고 예측하였으나, 실제 참인 경우의 수가 5라 면, 정확도는 0.5이다. 정확도는 딥러닝 모형이 참이라고 예측했을 때 그중 실제 참인 경우가 어느 정도인가를 나타내는 지표이다.
딥러닝에서 재현율(Recall)은 전체 참값 중 딥러닝 모형이 참값으로 분류한 비 율이 얼마인가를 나타낸다.
재현율 = 딥러닝 모형이 식별한 참인 개체 수
<식 6-2>
영상속에 있는 실제 참인 수
110 |
영상 내에 참값인 개체가 10개 있는데 딥러닝 모형이 찾아낸 개체 수가 5개라 면, 재현율은 0.5이다.
딥러닝 모형이 지나치게 엄격한 기준으로 개체를 식별하면, 참으로 식별한 경 우는 참값일 확률이 높지만, 실제 참이지만 기준을 통과하지 못하여 참으로 인식 하지 못하는 경우가 발생할 수 있다. 딥러닝 모형이 지나치게 느슨한 기준으로 개 체를 식별하면, 많은 수의 개체를 식별할 수는 있지만, 오분류할 가능성도 커지게 된다. 서로 상충하는 지표인 정확도와 재현율을 연계 분석하여 딥러닝 모형의 성 능을 평가하기 위해 고안된 기준이 PR 곡선이다. PR 곡선은 면적이 1인 정사각형 내에 표시되며, 곡선 아랫부분의 면적(Area Under Curve)이 1에 가까울수록 딥러 닝 모형의 성능이 우수한 것으로 판정한다.
PR 곡선은 그래프를 통해 딥러닝 모형의 성능을 나타내는 방식으로 각각의 딥 러닝 알고리즘의 성격을 직관적으로 파악할 수 있다는 장점이 있으나, 서로 다른 알고리즘의 성능을 비교하기 위해서는 성능을 수치화하여 비교하는 것이 효과적 이다. 서로 다른 모양의 그래프를 비교하여 성능의 차이를 평가하는 것은 과정이 복잡하고, 오류가 발생할 수 있기 때문이다. 딥러닝 알고리즘의 성능을 수치로 나 타낸 것이 mAP(Mean Average Precision)이다. 실제 계산 과정에서는 기술적인 보정을 하지만 mAP는 PR 곡선을 적분한 값으로 PR 곡선의 면적을 나타낸다고 볼 수 있다. 즉 mAP의 값이 1에 가까울수록 우수한 성능의 딥러닝 알고리즘이라 고 볼 수 있다.
[email protected]와 같이 표기하는데, 이는 딥러닝 모형에서 설정한 영상 영역과 예측 된 영상 영역을 상호 비교하여 중첩되는 영역의 면적이 모형에서 설정한 영역 면 적과 50% 이상 일치한다면, 참값으로 분류하여 계측한 mAP를 의미한다. 기준 수 치를 20% 등으로 지나치게 낮게 설정하면 오분류가 많아지며, 90% 등으로 지나 치게 높게 설정하면 참값의 영상을 찾아내지 못하게 된다. 일반적으로 기준을 50%로 설정하여 분석한다.