Epoch

에포크(epoch)는 머신 러닝 알고리즘이 전체 training dataset을 한 번 완전히 순회하는 단위를 나타냅니다. 이 과정에서 모델은 데이터의 모든 샘플을 정확히 한 번씩 거치며 내부 파라미터를 업데이트할 기회를 갖습니다. deep learning의 맥락에서, neural network가 복잡한 패턴을 효과적으로 학습하기에는 단 한 번의 패스만으로는 부족한 경우가 많습니다. 따라서 학습은 일반적으로 여러 에포크에 걸쳐 진행되며, 이를 통해 학습 알고리즘은 이해를 반복적으로 개선하고 예측값과 실제 정답 사이의 오차를 최소화할 수 있습니다.

최적화에서 에포크의 역할#

학습의 주요 목표는 특정 loss function을 최소화하도록 model weights를 조정하는 것입니다. stochastic gradient descent (SGD)나 Adam optimizer와 같은 최적화 알고리즘은 각 에포크 동안 계산된 오차를 사용하여 이러한 조정을 유도합니다. 에포크 수가 증가함에 따라 모델은 일반적으로 높은 오차(무작위 추측) 상태에서 더 낮은 오차(학습된 패턴) 상태로 전환됩니다.

그러나 올바른 에포크 수를 선택하는 것은 hyperparameter tuning의 매우 중요한 측면입니다.

• 너무 적은 에포크: 모델이 데이터의 내재된 트렌드를 아직 포착하지 못한 underfitting로 이어질 수 있습니다.
• 너무 많은 에포크: 이는 종종 모델이 새로운 데이터에 일반화되지 못하고 학습 노이즈를 암기하는 overfitting을 초래합니다. 이를 방지하기 위해 개발자들은 종종 validation data에서의 성능을 모니터링하고, 일반화 성능이 향상되지 않을 때 학습을 중단하는 early stopping과 같은 기법을 적용합니다.

에포크 vs 배치 vs 반복(Iteration)#

초보자가 "에포크"를 관련 용어와 혼동하는 것은 흔한 일입니다. training loops를 올바르게 설정하려면 이러한 개념의 계층 구조를 이해하는 것이 필수적입니다:

• 에포크(Epoch): 전체 데이터셋을 한 번 완전히 통과하는 과정.
• 배치(Batch): 동시에 처리되는 데이터셋의 하위 집합입니다. 데이터셋이 너무 커서 한 번에 GPU memory에 모두 들어가지 않는 경우가 많기 때문에, batch size로 정의된 더 작은 그룹으로 나뉩니다.
• 반복(Iteration): 모델의 가중치를 한 번 업데이트하는 것입니다. 데이터셋에 1,000개의 이미지가 있고 배치 사이즈가 100이라면, 한 에포크를 완료하는 데 10번의 반복이 필요합니다.

실제 애플리케이션 사례#

필요한 에포크 수는 작업의 복잡성과 데이터의 규모에 따라 크게 달라집니다.

• 의료 영상 분석: MRI 스캔에서 종양 탐지와 같은 medical image analysis에서는 정확도가 무엇보다 중요합니다. 이러한 작업을 위해 학습된 모델은 종종 수백 번의 에포크 동안 실행됩니다. 이러한 광범위한 학습을 통해 convolutional neural network (CNN)은 악성 조직과 건강한 조직을 구별하는 미세한 이상 징후를 감지할 수 있으며, 이는 잠재적으로 생명을 구할 수 있습니다.
• 자율 주행: autonomous vehicles의 경우, 객체 감지 모델은 보행자, 표지판 및 기타 차량을 안정적으로 식별해야 합니다. 이러한 강력한 시스템을 학습하려면 일반적으로 COCO나 Objects365와 같은 대규모 데이터셋이 필요합니다. 데이터셋의 크기가 엄청나게 크더라도, 모델이 다양한 날씨와 조명 조건에 잘 일반화되는 솔루션에 수렴하려면 여전히 여러 에포크가 필요합니다.

코드로 학습 주기 관리하기#

Ultralytics YOLO와 같은 최신 프레임워크를 사용할 때, 에포크 수를 정의하는 것은 학습 명령어에서 간단한 인자 설정 문제입니다. Ultralytics Platform과 같은 도구는 각 에포크에 따른 손실 곡선(loss curve)을 시각화하여 최적의 중단점을 식별하는 데 도움을 줍니다.

다음 예시는 YOLO26 모델을 학습할 때 에포크 수를 설정하는 방법을 보여줍니다:

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Train the model for 50 epochs
# The 'epochs' argument determines how many times the model sees the entire dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

이 스니펫에서 epochs=50 인자는 학습 엔진에게 coco8.yaml 데이터셋을 50번 반복해서 순회하도록 지시합니다. 각 주기 동안 모델은 forward propagation과 backpropagation을 수행하여 감지 능력을 정교화합니다.