능동 학습은 컴퓨터 비전 개발 속도를 향상시킵니다.

컴퓨터 비전 모델을 훈련하는 것은 아이에게 색깔을 인식하도록 가르치는 것과 매우 유사합니다. 먼저, 색깔이 있는 물체 모음이 필요합니다. 그런 다음, 아이가 각 색깔을 정확하게 식별하도록 안내해야 하는데, 이 작업은 종종 시간이 많이 걸리고 반복적입니다.

마치 아이가 배우기 위해 많은 예시가 필요한 것처럼, 비전 모델은 이미지에서 패턴과 객체를 인식하기 위해 레이블이 지정된 대량의 데이터 세트가 필요합니다. 하지만 방대한 양의 데이터에 레이블을 지정하는 데는 많은 시간과 노력, 그리고 리소스가 소모됩니다. 능동 학습과 같은 기술은 이 프로세스를 간소화하는 데 도움이 될 수 있습니다.

Active learning(능동 학습)은 대규모 데이터 세트에서 가장 중요한 데이터를 선택하고 레이블을 지정하는 단계별 프로세스입니다. 모델은 이 레이블이 지정된 데이터에서 학습하여 정확성과 효율성을 높입니다. 가장 가치 있는 데이터에만 집중하면 필요한 레이블 지정 양이 줄어들고 모델 개발 속도가 빨라집니다.

이 기사에서는 능동 학습이 모델 훈련에 어떻게 도움이 되고, 레이블링 비용을 줄이며, 모델의 전반적인 정확도를 향상시키는지 살펴봅니다.

이미지 데이터 세트는 구축하기 쉽지 않습니다.

데이터 세트는 컴퓨터 비전 및 딥러닝 모델의 기초입니다. ImageNet과 같은 인기 있는 데이터 세트는 다양한 객체 범주를 가진 수백만 개의 이미지를 제공합니다. 그러나 이러한 방대한 양의 고품질 데이터 세트를 생성하고 유지 관리하는 데에는 다양한 어려움이 따릅니다. 

예를 들어, 데이터를 수집하고 레이블을 지정하는 데 시간, 리소스 및 숙련된 주석가가 필요하므로 특정 응용 프로그램에 따라 프로세스가 어려워집니다. 이미지 데이터 세트에 대한 증가하는 수요를 따라잡기 위해서는 혁신적이고 효율적인 솔루션이 필요하며, 이것이 바로 액티브 러닝이 해결하고자 하는 목표입니다. 

능동 학습은 데이터 레이블링 프로세스를 최적화하여 완벽한 솔루션을 제공합니다. 능동 학습은 주석을 달기 위해 가장 유익한 데이터 포인트를 전략적으로 선택함으로써 레이블링 노력을 최소화하면서 모델 성능을 극대화합니다. 

능동 학습이란 무엇인가요?

능동 학습은 모델이 레이블이 지정되지 않은 대규모 데이터 풀에서 레이블을 지정할 가장 중요한 데이터 포인트를 선택하는 반복적인 머신 러닝 기술입니다. 선택된 데이터 포인트는 수동으로 레이블이 지정되어 학습 데이터 세트에 추가됩니다. 

그런 다음 모델은 업데이트된 데이터 세트에서 재학습하고 레이블을 지정할 다음 데이터 포인트 세트를 선택합니다. 이 프로세스는 모델이 가장 유익한 데이터 포인트에 집중하여 지속적으로 개선되면서 반복됩니다. 모델이 원하는 정확도에 도달하거나 미리 설정된 레이블링 기준을 충족할 때까지 주기가 계속됩니다.

‍

능동 학습 작동 방식 이해하기

능동 학습 기법이 어떤 데이터 포인트를 수동으로 레이블링해야 하는지, 다음에 어떤 것을 레이블링해야 하는지 어떻게 결정하는지 궁금할 수 있습니다. 시험 공부에 비유하여 능동 학습이 어떻게 작동하는지 이해해 봅시다. 즉, 잘 모르는 주제에 집중하고 다양한 과목을 다루어 잘 대비해야 합니다.

초기 데이터 선택 프로세스를 위해 능동 학습은 불확실성 샘플링 및 다양성 기반 샘플링과 같은 전략을 사용합니다. 불확실성 샘플링은 모델이 예측에 가장 확신이 없는 데이터 포인트의 우선순위를 지정하여 어려운 경우의 정확도를 향상시키는 것을 목표로 합니다. 다양성 기반 샘플링은 광범위한 특성을 포괄하는 데이터 포인트를 선택하여 모델이 다양한 예제에 노출되어 보이지 않는 데이터로 일반화되도록 합니다.

‍

초기 데이터 선택 후 능동 학습은 풀 기반 샘플링과 스트림 기반 샘플링이라는 두 가지 주요 레이블링 접근 방식을 사용하며, 이는 교사가 학생이 가장 중요한 것에 집중하도록 돕는 방법과 유사합니다. 

풀 기반 샘플링에서 모델은 레이블이 지정되지 않은 대규모 데이터 풀을 스캔하고 가장 어렵거나 유익한 예제를 선택하여 레이블을 지정합니다. 이는 마치 학생이 가장 어렵다고 생각하는 플래시 카드를 우선적으로 선택하는 것과 같습니다. 스트림 기반 샘플링과 관련하여 모델은 데이터가 도착하는 대로 처리하여 레이블을 지정할지 건너뛸지 결정합니다. 이는 마치 학생이 막히는 경우에만 도움을 요청하는 것과 유사합니다. 두 경우 모두 레이블이 지정된 데이터가 훈련 세트에 추가되고 모델은 각 반복마다 스스로를 재훈련하여 꾸준히 개선합니다.

능동 학습(active learning) 응용 분야 탐색

능동 학습은 모델 정확도를 향상시키고 데이터 레이블링 프로세스를 간소화하여 의료 영상 및 자율 주행과 같은 컴퓨터 비전 애플리케이션에서 핵심적인 역할을 합니다. 흥미로운 예는 저조도 또는 안개가 자욱한 조건에서 보행자 또는 물체를 감지하기 위해 자율 주행 자동차에 사용되는 컴퓨터 비전 모델입니다. 능동 학습은 다양하고 어려운 운전 시나리오에 집중하여 정확도를 향상시킬 수 있습니다. 

특히, 능동 학습을 사용하여 선택적 라벨링을 위해 이러한 시나리오에서 불확실한 데이터 또는 프레임을 식별할 수 있습니다. 이러한 라벨링된 예제를 학습 세트에 추가하면 모델이 악천후 또는 야간 운전과 같이 어려운 환경에서 보행자와 객체를 더 잘 인식할 수 있습니다.

예를 들어, NVIDIA는 액티브 러닝을 사용하여 자율 주행 모델에서 야간에 보행자 감지를 개선했습니다. 특히 어려운 시나리오에서 가장 유익한 데이터를 전략적으로 선택하여 훈련함으로써 모델의 성능이 크게 향상됩니다.

‍

능동 학습은 레이블링 비용을 줄일 수 있습니다.

액티브 러닝의 또 다른 핵심 측면은 레이블링 비용을 절감할 수 있다는 것입니다. 전체 데이터 세트에 대한 주석을 요구하는 대신 가장 중요한 데이터 포인트에만 집중함으로써 이를 수행합니다. 이 타겟팅된 접근 방식은 시간, 노력 및 비용을 절약합니다. 불확실하거나 다양한 샘플에 집중함으로써 액티브 러닝은 높은 모델 정확도를 유지하면서 필요한 주석 수를 줄입니다.

실제로 연구에 따르면 능동 학습은 성능 저하 없이 레이블링 비용을 40~60% 절감할 수 있습니다. 이는 데이터 레이블링 비용이 많이 드는 의료 및 제조와 같은 산업에서 특히 유용합니다. 능동 학습은 주석 프로세스를 단순화하여 기업이 정확성을 유지하면서 모델을 더 빠르게 개발하고 보다 효율적으로 배포할 수 있도록 지원합니다.

능동 학습의 이점

능동 학습이 제공할 수 있는 다른 주요 이점은 다음과 같습니다.

• 클래스 불균형 해결: 액티브 러닝은 소수 데이터 클래스의 인스턴스에 레이블을 지정하여 클래스 불균형 문제를 해결하는 데 도움이 될 수 있습니다. 모델은 제한된 데이터로 희귀한 시나리오에서 더 나은 성능을 발휘할 수 있습니다.
  ‍
• 더 빠른 개발 주기: 더 적은 데이터 레이블링은 간접적으로 머신 러닝 및 컴퓨터 비전 모델의 개발 프로세스를 가속화하여 추가 반복 및 실험을 위한 더 많은 시간과 리소스를 확보할 수 있음을 의미합니다.
  ‍
• 적응성: 불확실하거나 엣지 케이스 샘플을 반복하여 훈련 데이터를 지속적으로 개선할 수 있으므로 역동적이거나 진화하는 데이터 세트에 적합합니다.

능동 학습과 AutoML은 함께 작동할 수 있습니다.

자동화된 머신러닝(AutoML)은 머신러닝 모델 구축 및 배포와 관련된 시간 소모적이고 반복적인 작업을 자동화하는 데 중점을 둡니다. 모델 선택 및 성능 평가와 같은 작업을 자동화하여 머신러닝 워크플로우를 간소화하고 수동 작업의 필요성을 줄입니다. 

AutoML은 액티브 러닝과 통합될 때 모델 개발 라이프사이클을 가속화하고 최적화할 수 있습니다. 액티브 러닝 구성 요소는 레이블링을 위해 가장 유용한 데이터 포인트를 전략적으로 선택하고, AutoML은 아키텍처, 파라미터 선택 및 튜닝을 자동화하여 모델을 개선합니다.

‍

예를 들어 이 기술 조합을 이해해 보겠습니다. 

의료 영상에서 드문 상태를 감지하려고 한다고 가정해 보겠습니다(레이블이 지정된 데이터 세트를 얻기가 제한적이고 비용이 많이 드는 사용 사례). 능동 학습은 모델이 분류하지 못하는 X선 이미지의 미묘한 변화와 같이 불확실한 데이터를 식별하고 선택할 수 있습니다. 그런 다음 모델 이해도를 높이기 위해 불확실한 데이터의 수동 주석 지정에 우선 순위를 둘 수 있습니다. 

AutoML은 어노테이션된 데이터를 사용하여 다양한 아키텍처, 하이퍼파라미터 및 기타 데이터 증강 기술을 탐색하여 모델을 최적화할 수 있습니다. 이 반복적인 프로세스는 의료 전문가가 정확한 진단을 내리는 데 도움이 되는 Ultralytics YOLO11과 같은 신뢰할 수 있는 비전 모델의 개발 속도를 높입니다.

능동 학습의 과제

능동 학습 및 관련 기술은 다양한 이점을 제공하지만 이러한 전략을 구현할 때 염두에 두어야 할 몇 가지 고려 사항이 있습니다.

• 쿼리 전략 선택: 능동 학습은 여러 기술을 포함하며, 최상의 방법을 선택하는 것이 모델의 효과에 큰 영향을 미칩니다. 부적절한 전략을 선택하면 특정 애플리케이션에 대한 모델 성능이 저하될 수 있습니다.
  ‍
• 재학습 비용: 액티브 러닝의 반복적인 특성은 특히 대규모 데이터 세트의 경우 비용이 많이 드는 컴퓨팅 리소스가 필요합니다. 모델은 각 라벨링 라운드 후에 재학습되어 복잡성이 증가합니다.
  ‍
• 초기 모델 품질: 능동 학습의 효과는 초기 모델의 품질에 따라 달라집니다. 성능이 낮은 초기 모델은 유용한 데이터 포인트를 정확하게 식별하지 못하여 수준 이하의 라벨 요청과 전반적인 성능 저하를 초래할 수 있습니다.

능동 학습 및 AutoML의 미래

AI 및 컴퓨터 비전의 최근 발전으로 인해 액티브 러닝은 더욱 복잡한 과제를 해결하고 머신 러닝 워크플로를 간소화할 것입니다. 액티브 러닝과 연합 학습 및 자율 지도 학습과 같은 기술을 결합하면 비전 모델의 효율성과 확장성을 더욱 향상시킬 수 있습니다. 

연합 학습을 사용하면 데이터가 원래 위치를 벗어나지 않고 분산된 프레임워크를 사용하여 여러 장치 또는 서버에서 모델을 학습할 수 있습니다. 데이터 개인 정보 보호가 중요한 의료와 같은 산업을 고려할 때 연합 학습을 통해 중요한 로컬 데이터에 대해 직접 학습하면서 안전하게 유지할 수 있습니다. 원시 데이터를 공유하는 대신 모델 업데이트 또는 통찰력만 공유하여 개인 정보가 보호되면서도 학습 프로세스에 기여할 수 있도록 합니다.

한편, 자기 지도 학습은 레이블이 지정되지 않은 데이터로 모델을 사전 훈련하여 레이블된 데이터에 대한 필요성을 줄이는 데 도움이 됩니다. 이 과정을 통해 모델의 강력한 기반이 생성됩니다. 그런 다음 능동 학습은 사람이 주석을 달 가장 중요한 데이터 포인트를 식별하고 선택하여 모델을 더욱 개선함으로써 이를 기반으로 구축할 수 있습니다.

능동 학습에서 능동적 영향으로

능동 학습은 데이터 주석의 높은 비용과 더 정확한 모델의 필요성과 같은 컴퓨터 비전의 주요 문제를 해결하는 실용적인 방법을 제공합니다. 가장 가치 있는 데이터 포인트에만 레이블을 지정하는 데 집중함으로써 인간의 노력을 줄이면서 모델 성능을 향상시킵니다.

AutoML과 같은 기술과 결합하면 액티브 러닝은 시간이 많이 걸리는 작업을 자동화하여 모델 개발을 간소화합니다. 발전이 계속됨에 따라 액티브 러닝은 더욱 스마트하고 효율적인 컴퓨터 비전 시스템을 구축하는 데 필수적인 도구가 될 것입니다.

GitHub 저장소를 살펴보고 커뮤니티에 참여하여 AI 및 컴퓨터 비전 모델에 대해 자세히 알아보세요. 솔루션 페이지에서 제조 분야의 컴퓨터 비전 및 헬스케어 분야의 컴퓨터 비전의 더 많은 응용 분야를 찾아보세요. 라이선스 옵션을 확인하여 지금 바로 Vision AI 여정을 시작할 수도 있습니다.