AI
딥러닝 모델 Trainer 개발을 위한 Tutorial-2 (with Pytorch)
두줄요약
PyTorch로 커스텀 이미지 분류 데이터셋과 VGG 기반 학습기를 구성했습니다. 학습·평가·모델 저장과 GPU 가속, 학습률 스케줄링 흐름을 설명합니다.
구조와 흐름
- 폴더 기반 커스텀 이미지 데이터셋과
ImageFolder·DataLoader구성 - 클래스-인덱스 매핑 JSON 저장과 학습·평가 데이터 클래스 일치 여부 검증
- VGG11 기반 CNN, 손실 함수, 옵티마이저, 스케줄러를 결합한 학습기 구성
해결 방법
- 이미지 리사이즈·중앙 크롭·텐서 변환·ImageNet 기준 정규화 전처리
- Adam과
StepLR로 파라미터 갱신 및 학습률 조정 - CUDA 사용 가능 여부에 따른 디바이스 할당과
tqdm기반 학습 진행률 표시
성능/운영 포인트
- 에포크 종료마다 평가 데이터셋의 손실과 정확도 집계
- 평가 결과를 포함한 파일명으로 모델 가중치 저장
- 데이터셋 경로, 배치 크기, 학습률, 스케줄러 설정의 파라미터화
적용해볼 점
- 클래스별 하위 폴더 구조를 활용한 이미지 분류 학습 데이터 구성
- 태스크에 맞춘 데이터셋·모델·옵티마이저·스케줄러 교체와 학습기 확장
