데이터 증강 전략 — 데이터를 무한히 늘리기

여러분, 딥러닝 모델을 훈련할 때 가장 큰 고민이 무엇일까요?

바로 데이터가 부족하다는 겁니다.

데이터를 새로 수집하려면 시간과 비용이 엄청나게 들죠.

그림 왼쪽을 보세요.

원본 데이터가 고작 100장뿐이라면 어떤 일이 벌어질까요?

모델이 훈련 데이터를 달달 외워버리는 과적합이 발생합니다.

훈련 정확도는 99퍼센트인데, 검증 정확도는 55퍼센트밖에 안 되는 거죠.

이것이 바로 과적합의 전형적인 증상입니다.

가운데 상자를 보면, 데이터 증강이라는 해결책이 있습니다.

오그멘테이션은 기존 이미지를 회전하고, 뒤집고, 밝기를 바꿔서 새로운 변형을 만들어내는 거예요.

핵심은 라벨은 그대로 유지하면서 외형만 달라진다는 점입니다.

고양이 사진을 뒤집어도 여전히 고양이니까요.

오른쪽 결과를 보세요.

100장이 1000장으로 늘어나면서, 검증 정확도가 88퍼센트로 껑충 올라갑니다.

그리고 이 모든 것이 추가 비용 없이, 기존 데이터만으로 가능합니다.

아래 비교표를 한번 확인해보세요.

증강 전과 후의 차이가 한눈에 보입니다.

데이터 증강은 2012년 알렉스넷 때부터 사실상 필수 기법이 되었습니다.

지금부터 어떤 증강 기법들이 있는지, 하나하나 살펴보겠습니다.

이 레슨을 마치면 여러분도 자신의 프로젝트에 바로 적용할 수 있을 거예요.