CutMix

CutMix는 한 이미지에서 직사각형 패치를 잘라 대상 이미지에 붙여 견고한 컴퓨터 비전 모델을 학습하는 데 사용되는 고급 데이터 증강 기법입니다. 밝기나 회전만 조정하는 단순한 증강과 달리 CutMix는 학습 샘플의 기본 구성을 변경합니다. 픽셀이 교체될 때 해당 정답 레이블도 패치 영역에 비례하여 혼합됩니다. 이를 통해 인공 신경망은 부분적으로 보이는 모습에서도 객체를 식별하는 방법을 학습하며, 객체에서 가장 판별력이 높은 부분에만 집중하지 않고 여러 특징에 의존하도록 모델을 유도합니다. 2019년 학술 논문에서 처음 소개된 이 기법은 대규모 데이터셋 전반에서 과적합을 방지하고 일반화 성능을 향상하기 위해 딥 러닝 프레임워크에서 표준 연산으로 자리 잡았습니다.

기법의 작동 방식#

모델 학습 중 알고리즘은 보조 이미지에서 영역을 추출하기 위해 중심 좌표와 박스 크기를 무작위로 선택합니다. 그런 다음 이 패치를 활성 배치 내의 기본 이미지 위에 직접 덮어씌웁니다. 기본 이미지에 개가 있고 보조 이미지에 고양이가 있었다면, 최종 이미지에는 개의 일부를 대체하는 고양이 패치가 포함됩니다. 분류 레이블은 정확한 패치 영역을 기준으로 선형 보간을 사용해 업데이트되며, 예를 들어 개 0.7, 고양이 0.3이라는 레이블이 생성될 수 있습니다. 객체 탐지 작업에서는 붙여넣은 영역 내에서 원래 영역의 일정 비율(대개 10%) 이상을 유지하는 바운딩 박스를 보존합니다. 이 기법은 Ultralytics YOLO에서 cutmix 학습 하이퍼파라미터로 기본 지원되므로, 사용자가 이 변환의 확률을 쉽게 정의할 수 있습니다.

MixUp과 Cutout의 차이#

CutMix는 다른 두 가지 주요 데이터 증강 기법과 밀접한 관련이 있지만, 이 기법들의 구체적인 한계를 해결합니다:

• MixUp 증강: MixUp은 픽셀 값의 가중 평균을 계산하여 두 이미지를 전체적으로 혼합합니다. 효과적이지만 부자연스러운 반투명 유령 이미지가 생성되는 경우가 많아, 국소적인 공간 상관관계를 흐트러뜨리고 모델을 혼란스럽게 할 수 있습니다. 반면 CutMix는 잘라낸 영역 내의 원래 픽셀 강도를 유지하며, 연구자들은 이를 Attentive CutMix와 같은 접근 방식에서 더욱 최적화했습니다.
• Cutout 증강: Cutout은 무작위 직사각형 영역을 검은색 픽셀 또는 데이터셋 평균값으로 마스킹하여 정보를 제거합니다. 모델이 객체 전체를 살펴보도록 유도하지만, 귀중한 학습 텐서를 낭비합니다. CutMix는 다른 이미지에서 가져온 유용한 이미지 분류 패치로 해당 빈 공간을 대체하여 전반적인 학습 효율을 높입니다.

실제 적용 사례#

심하게 가려진 객체를 인식하도록 모델을 학습함으로써 CutMix는 다양한 산업 분야에서 머신 러닝 성능을 크게 향상합니다.

• 자동차 AI 및 자율 주행: 자율 주행 차량에서 이 기법은 보행자나 차량이 도로 표지판에 의해 부분적으로 가려진 경우에도 시스템이 이를 식별하도록 학습시켜, 혼잡한 환경에서 안전성을 향상합니다.
• 의료 진단 및 장기 세그멘테이션: 의료 분야에서 이 방법은 장기 및 종양 세그멘테이션에 널리 사용되며, 해부학적 구조가 겹치는 경우에도 모델이 복잡한 조직 경계를 인식할 수 있도록 합니다.
• 위성 이미지 원격 탐사: 이 전략은 항공 뷰에서 건물과 식생처럼 밀집되고 서로 겹치는 클래스를 보존합니다. 심하게 불균형한 데이터에서 롱테일 인식 성능을 향상하기 위한 고급 변형 기법도 활발히 연구되고 있습니다.

실무 구현#

이 증강 기법을 AI 파이프라인에 통합하는 작업은 간단합니다. 대부분의 고수준 라이브러리는 PyTorch Transforms와 Keras Preprocessing Layers처럼 이 기능을 기본적으로 지원합니다.

YOLO26과 같은 모델을 학습할 때 이 증강 기법을 구성하려면 매개변수 하나만 조정하면 됩니다. 그러면 이미지 패치 처리와 복잡한 바운딩 박스 클리핑 로직이 모두 자동으로 처리됩니다.

from ultralytics import YOLO

# Initialize the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model with CutMix enabled at a 50% probability
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, cutmix=0.5)

대규모 비전 워크플로를 관리하는 팀의 경우, Ultralytics Platform을 사용하면 클라우드 인터페이스에서 이러한 데이터 증강 모범 사례를 직접 조정할 수 있어, 주석 처리부터 모델 배포까지의 과정을 간소화할 수 있습니다.