🔎 프로젝트 개요

• **폐기물 이미지 데이터(Organic / Recycling)**를 활용하여, 다양한 Computer Vision 분류 모델을 비교·평가하고 실제 서비스 적용 가능성을 검토하는 캡스톤 프로젝트를 수행함

• 단순 정확도 비교가 아니라, 모델별 전처리 방식·학습 특성·현실적인 구현 제약을 종합적으로 고려한 판단 역량을 기르는 것을 목표로 하는 프로젝트임

🚩 프로젝트 수행과정 요약

• (데이터 탐색) 약 25,000장의 폐기물 이미지 데이터셋 구조와 클래스 분포를 확인하고, 학습·검증·테스트 데이터 분리 기준을 팀 내에서 합의함

• (모델 선정) 팀원별로 Custom CNN, VGG16, ResNet, RegNet 등 CNN 기반 분류 모델을 분담하여 실험을 진행함

• (공통 조건 정의) 공정한 성능 비교를 위해 이미지 크기, 학습/검증 비율, 평가 지표, Epoch 범위 등 고정 조건을 우선 설정함

• (전이학습 이해) 다수의 모델을 병렬로 실험하는 과정에서, 전이학습 모델이 Data Loader 기반 파이프라인으로 학습 과정을 단순화한다는 점을 명확히 인지함

• (전처리 실험) Contouring, Cropping 등 전처리를 적용했으나, 기대와 달리 성능 개선 폭이 제한적임을 확인함

• (모델별 실험) Optimizer, Learning Rate, Epoch에 따른 성능 차이를 비교하며 모델 특성을 분석함

• (시연 기획) 팀내 유일한 풀스택 개발자분과 협업하여 간단한 데모 시연 모델을 구상·구현하고, 팀 차원에서 서비스 형태를 논의함

🪄 활용된 기술(모델)

• 데이터 처리 및 학습 환경: Python, numpy, OpenCV, TensorFlow / Keras

• Computer Vision 모델: Custom CNN, Transfer Learning (VGG16, ResNet, RegNet), YOLOv12 참고

• 학습 기법: ImageDataGenerator, Data Loader 기반 학습, Class Weight 적용

• 평가 및 시각화: Accuracy, Precision, Recall, F1-score, ROC-AUC, Confusion Matrix

⚠️ 프로젝트 과정 중 발생한 문제-해결 과정

• 이미지 Contouring·Crop 전처리가 성능 개선에 미미한 영향을 미침 → 전처리보다 데이터 변별력과 모델 구조가 더 중요함을 확인

• 전이학습 모델이 Data Loader 기반으로 학습 파이프라인이 추상화되어 있음 → 모델 특성에 맞는 실험 설계 적용

• 공통 조건 적용 시 일부 모델 성능이 충분히 발휘되지 않음 → 모델별 최적 학습 조건이 상이함 확인

📊 회고 혹은 반성

• 전이학습 모델을 다중 모델 비교 관점에서 경험하며 파이프라인 구조에 대한 이해가 깊어짐
• 비전 모델에서는 단순 정확도보다 데이터 특성·전처리·학습 안정성이 중요함을 체감
• 실험 과정의 논리·설명 가능성·스토리텔링을 더 강화할 계획

---

📎 산출물

결과보고서

데모 보고서