ResNet
소개¶
ResNet(Residual Networks)는 매우 깊은 신경망을 학습할 수 있도록 설계된 딥러닝 아키텍처입니다. ResNet50은 50개의 레이어를 가지며, 이미지 분류에서 뛰어난 성능을 보입니다. He et al. (2015) 이 노트북에서는 미리 학습된 ResNet50 모델을 사용하여 이미지 인식을 수행합니다.
1단계: 필요한 라이브러리 임포트¶
NumPy와 Keras를 사용하며 CPU에서 실행합니다. ImageNet 가중치, 예제 사진과 클래스 이름 파일은 처음 사용할 때 Keras가 다운로드합니다.
import os
os.environ["KERAS_BACKEND"] = "torch"
os.environ["CUDA_VISIBLE_DEVICES"] = ""
import keras
import numpy as np
import torch
torch.set_num_threads(1)
keras.utils.set_random_seed(2027)
model = keras.applications.ResNet50(weights="imagenet")
model.summary()
2단계: ResNet50 모델 로드¶
Keras의
ResNet50모델을 ImageNet 가중치로 사전 학습된 상태로 로드합니다ImageNet 데이터셋으로 학습된 가중치는 1,000개의 이미지 클래스를 분류할 수 있습니다
model.summary()를 출력하여 모델의 구조와 파라미터 수를 확인합니다
import os
os.environ["KERAS_BACKEND"] = "torch"
os.environ["CUDA_VISIBLE_DEVICES"] = ""
import keras
import numpy as np
import torch
torch.set_num_threads(1)
keras.utils.set_random_seed(2027)
import matplotlib.pyplot as plt
path = keras.utils.get_file("YellowLabradorLooking_new.jpg", "https://storage.googleapis.com/download.tensorflow.org/example_images/YellowLabradorLooking_new.jpg")
image = keras.utils.load_img(path, target_size=(224, 224))
plt.imshow(image); plt.axis("off"); plt.show()
3단계: 이미지 로드 및 전처리¶
공개 예제 사진을 내려받고 224×224 크기로 읽어 표시합니다.
import os
os.environ["KERAS_BACKEND"] = "torch"
os.environ["CUDA_VISIBLE_DEVICES"] = ""
import keras
import numpy as np
import torch
torch.set_num_threads(1)
keras.utils.set_random_seed(2027)
path = keras.utils.get_file("YellowLabradorLooking_new.jpg", "https://storage.googleapis.com/download.tensorflow.org/example_images/YellowLabradorLooking_new.jpg")
image = keras.utils.load_img(path, target_size=(224, 224))
model = keras.applications.ResNet50(weights="imagenet")
inputs = np.expand_dims(keras.utils.img_to_array(image), axis=0)
inputs = keras.applications.resnet50.preprocess_input(inputs)
outputs = model.predict(inputs, verbose=0)
for _, label, probability in keras.applications.resnet50.decode_predictions(outputs, top=3)[0]:
print(f"{label}: {probability:.3f}")
4단계: 모델 예측¶
이미지 배열 변환: PIL 이미지를 NumPy 배열로 변환 (형태: 224×224×3)
배치 처리:
expand_dims로 배치 차원 추가 (형태: 1×224×224×3)정규화: ResNet50의
preprocess_input으로 입력 전처리예측: 모델에 전달하여 1,000개 클래스의 확률 예측
결과 디코딩:
decode_predictions로 상위 3개의 예측 결과를 클래스 이름으로 변환결과 표시: Pandas DataFrame으로 깔끔하게 표현
- He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep Residual Learning for Image Recognition. https://arxiv.org/abs/1512.03385