활동 2: 손 제스처 분류기 훈련 및 테스트

모델 훈련

이제 데이터를 수집했으므로 새로운 보이지 않는 데이터를 이 세 가지 클래스로 분류하는 방법을 모델에 가르칠 차례입니다. 이를 위해서는 모델을 학습 시켜야 합니다.

모델을 교육함으로써 이미지에서 의미 있는 정보를 추출하고 가중치를 업데이트합니다. 이러한 가중치가 저장되면 모델을 사용하여 이전에 본 적이 없는 데이터를 예측할 수 있습니다.

그러나 모델을 교육하기 전에 알아야 할 몇 가지 하이퍼 매개변수가 있습니다. ” Advanced ” 탭을 클릭하면 볼 수 있습니다.

참고: 이러한 하이퍼파라미터는 모델의 정확도에 상당한 영향을 미칠 수 있습니다. 실험하여 데이터에 가장 적합한 것을 찾으십시오.

여기에서 함께 사용할 수 있는 세 가지 하이퍼파라미터가 있습니다.

1. Epochs – 교육 모델을 통해 데이터가 공급되는 총 횟수입니다. 따라서 10 epoch에서 데이터 세트는 교육 모델을 통해 10번 공급됩니다. 에포크 수를 늘리면 종종 성능이 향상될 수 있습니다.
2. 배치 크기 – 한 단계에서 사용될 샘플 세트의 크기입니다. 예를 들어 데이터 세트에 160개의 데이터 샘플이 있고 배치 크기가 16인 경우 각 에포크는 160/16=10단계 로 완료됩니다. 이 하이퍼 매개변수를 변경할 필요가 거의 없습니다.
3. 학습률 – 단계를 반복한 후 모델이 가중치를 업데이트하는 속도를 나타냅니다. 이 매개변수를 조금만 변경해도 모델 성능에 큰 영향을 미칠 수 있습니다 . 일반적인 범위는 0.001에서 0.0001 사이입니다.

참고: 해당 설명을 보려면 하이퍼파라미터 옆에 있는 물음표 위에 마우스를 올려 놓으십시오.

표준 하이퍼파라미터로 모델을 훈련하고 성능을 살펴보겠습니다. Python 프로젝트를 만드는 경우 Python에서만 모델을 학습할 수 있습니다. 둘 중 하나를 선택하려면 훈련 상자 상단의 스위치를 클릭하십시오.

참고: Python에서 모델을 교육하려면 종속 항목을 다운로드해야 합니다.

우리는 이 모델을 파이썬으로 훈련할 것입니다. 학습을 시작하려면 ” Train Model ” 버튼을 클릭합니다. ” Epochs ” 하이퍼파라미터를 20으로 변경해 보겠습니다.

모델은 훌륭한 결과를 보여줍니다! 정확도 그래프의 판독값이 높을수록 모델이 더 좋다는 것을 기억하십시오. 그래프의 x축은 에포크를 나타내고 y축은 해당 정확도를 나타냅니다. 정확도 범위는 0~1입니다.

모델 테스트

이제 모델이 훈련되었으므로 예상한 결과를 제공하는지 살펴보겠습니다. 장치의 카메라를 사용하거나 장치 저장소에서 이미지를 업로드하여 모델을 테스트할 수 있습니다. 웹캠을 사용하여 시작하겠습니다.

테스트 상자에서 “Webcam” 옵션을 클릭하면 모델이 창의 이미지를 기반으로 예측을 시작합니다.

엄청난! 모델은 실시간으로 제스처를 인식할 수 있습니다. 이제 테스트 상자의 오른쪽 상단에 있는 왼쪽 화살표를 클릭하여 창을 닫습니다. 모델을 PictoBlox로 내보낼 시간입니다!