YOLO 라이선스 받기
Ultralytics 용어집으로 돌아가기

MixUp

MixUp은 학습 예시와 해당 타깃을 혼합하여 과적합을 줄입니다. 분류에서는 소프트 클래스 레이블을 생성하고, 객체 탐지에서는 박스를 유지합니다.

MixUp은 두 학습 예시를 하나로 혼합하고 타깃을 결합하는 데이터 증강 기법입니다. 이미지 분류에서는 동일한 비율이 두 혼합에 모두 적용됩니다. 한 이미지가 픽셀 혼합의 70%를 차지하면, 해당 이미지의 클래스는 타깃 가중치의 70%를 차지합니다. 이렇게 중간 형태의 예시로 학습하면 샘플 사이에서 모델의 예측이 점진적으로 변하도록 유도할 수 있습니다.

MixUp 작동 방식#

표준 MixUp은 alpha으로 매개변수화된 대칭 베타 분포에서 0과 1 사이의 가중치를 추출합니다. 값이 1보다 작으면 양 끝에 가까운 값이 더 자주 추출되므로 일반적으로 한 이미지가 우세합니다. 값이 1이면 너비가 같은 구간이 동일한 확률로 선택됩니다. 값이 1보다 크면 추출값이 0.5 근처에 집중되어 더 균등하게 혼합됩니다. 혼합 비율은 각 샘플의 기여도를 결정하고, 제공되는 경우 별도의 적용 확률은 변환이 실행되는 빈도를 결정합니다.

Hongyi Zhang, Moustapha Cissé, Yann N. Dauphin, David Lopez-Paz는 mixup: 경험적 위험 최소화를 넘어서에서 이 기법을 소개했습니다. 이 논문은 2017년에 처음 공개되었으며 ICLR 2018에서 발표되었습니다. 사전 활성화 ResNet-18과 0.0001의 가중치 감쇠를 사용한 200에폭 CIFAR-10 실험에서 alpha=1을 적용한 MixUp은 마지막 10에폭 동안의 중앙값 테스트 오류를 5.53%에서 4.24%로 낮췄습니다.

CIFAR-10 preview 1
CIFAR-10 preview 2
CIFAR-10 preview 3
CIFAR-10 preview 4
60,000
CIFAR-10
ultralytics
공개분류

Tiny 32x32 color photos of common vehicles and animals, the classic small-image classification benchmark from the University of Toronto. Collected by Alex Krizhevsky, Vinod Nair, and Geoffrey Hinton as a hand-labeled subset of the 80 Million Tiny Images collection, with balanced, mutually exclusive classes. Source: Krizhevsky, "Learning Multiple Layers of Features from Tiny Images," University of Toronto tech report 2009; cs.toronto.edu/~kriz/cifar.html.

1클래스 10개66 MB2026년 10월 23일
airplaneautomobilebirdcat+6
image-classificationcifar10object-recognition+1

이미지 분류에서의 MixUp#

이미지 분류 레이블은 정수 클래스 ID로 저장되는 경우가 많습니다. MixUp은 대신 클래스 벡터를 결합합니다. 이미지가 서로 다른 클래스에 속하면, 가중치 두 개의 합이 1인 소프트 타깃이 생성됩니다. 두 이미지가 같은 클래스에 속하면 해당 클래스는 전체 가중치를 유지합니다. 교차 엔트로피 손실에서 소프트 타깃을 사용하면, 혼합 이미지의 예측값을 기준으로 각 원래 레이블에 대한 손실을 계산한 다음 두 손실의 가중합을 구하는 것과 같습니다.

Torchvision의 배치 MixUp 변환은 배치 전체에 동일한 혼합 가중치를 적용합니다. 이 예시에서는 scikit-image의 샘플 모음에 포함된 고양이 이미지와 커피 이미지를 사용합니다.

import torch
from skimage import data
from torchvision.transforms import v2

resize = v2.Resize((128, 128))
to_image = v2.ToImage()
cat = resize(to_image(data.chelsea()))
coffee = resize(to_image(data.coffee()))
images = torch.stack((cat, coffee)).float() / 255
labels = torch.tensor([0, 1])

mixup = v2.MixUp(alpha=1.0, num_classes=2)
mixed_images, mixed_targets = mixup(images, labels)
print(mixed_targets)

각 출력 행은 혼합 이미지 하나에서 고양이와 커피가 차지하는 가중치를 보여줍니다. 이 배치에서는 변환이 두 이미지의 역할을 바꾸기 때문에 행마다 가중치가 서로 바뀝니다.

객체 탐지에서 혼합 레이블을 처리하는 방법#

객체 탐지 타깃에는 각 객체에 대한 바운딩 박스와 클래스가 포함됩니다. 두 박스를 평균 내면 결과 박스가 두 객체 사이에 놓일 수 있습니다. Ultralytics YOLO의 MixUp 변환은 이미지를 혼합하면서 두 박스 집합과 클래스 ID를 별도의 타깃으로 유지합니다. mixup 설정은 변환이 실행되는 빈도를 제어하며 기본값은 0.0입니다. 픽셀 비율은 Beta(32, 32)에서 별도로 추출되어 거의 균등하게 혼합되며, close_mosaic 학습 종료 시점이 적용되면 MixUp도 비활성화됩니다.

MixUp과 다른 증강 기법 비교#

MixUp은 모델이 외울 수 있는 예시를 조합해 학습함으로써 정규화 역할을 합니다. 전체 이미지를 혼합하면 제3의 클래스를 닮은 패턴이 만들어질 수도 있습니다. 한 MNIST 실험에서 손으로 쓴 숫자 1과 5를 혼합한 이미지는 8처럼 보였지만, 타깃은 1에 53%, 5에 47%를 할당했습니다. 따라서 이 이미지는 타깃 가중치가 0인 클래스에 대한 시각적 증거를 제공했습니다.

  • CutMix는 직사각형 영역을 다른 이미지의 패치로 대체합니다. 분류에서는 각 이미지가 차지하는 영역에 따라 타깃 가중치가 정해집니다.
  • Mosaic는 여러 이미지를 하나의 캔버스에 배치하고 새로운 레이아웃에 맞게 어노테이션을 다시 매핑합니다.
  • 레이블 스무딩은 입력을 변경하지 않고 일부 타깃 가중치를 여러 클래스에 재분배합니다.

Manifold Mixup은 보간을 원시 입력에서 네트워크의 은닉 계층으로 옮깁니다. 은닉 활성화값과 클래스 타깃에는 여전히 동일한 혼합 가중치를 사용합니다.

솔루션 살펴보기

스포츠 분야의 컴퓨터 비전

스포츠 분야의 컴퓨터 비전

Ultralytics YOLO가 선수 및 공 추적, 경기력 분석, 코칭 인사이트, 선수 재활을 통해 스포츠 비전을 구현하는 방법을 알아보세요.
자세히 알아보기
항공 이미지 컴퓨터 비전

항공 이미지 컴퓨터 비전

Ultralytics YOLO를 활용해 드론 및 항공 이미지를 농업, 양식업, 보전, 지리 공간 분석을 위한 실시간 인사이트로 전환하세요.
자세히 알아보기
항공우주 분야의 컴퓨터 비전

항공우주 분야의 컴퓨터 비전

Ultralytics YOLO를 활용해 항공기 검사, 활주로 FOD 감지, 공항 지상 운영, 복합재 결함 감지 등 항공우주 분야에 컴퓨터 비전을 적용하세요.
자세히 알아보기
보안 분야의 컴퓨터 비전

보안 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 모든 시설을 보호하세요. Vision AI는 경계 모니터링, 위협 감지, 번호판 인식, 작업장 안전을 지원합니다.
자세히 알아보기
로보틱스 분야의 컴퓨터 비전

로보틱스 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 더 스마트한 머신을 구현하세요. 로보틱스 분야의 Vision AI는 자율 주행, 인식, 객체 추적, 실시간 제어를 지원합니다.
자세히 알아보기
물류 분야의 컴퓨터 비전

물류 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 물류를 간소화하세요. 비전 AI는 화물 검사, 분류, 차량 추적, 실시간 창고 안전 모니터링을 지원합니다.
자세히 알아보기
리테일 분야의 컴퓨터 비전

리테일 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 리테일의 새로운 가능성을 열어 보세요. 비전 AI는 재고 추적, 선반 모니터링, 대기열 관리, 더욱 심층적인 고객 인사이트를 지원합니다.
자세히 알아보기
의료 분야의 컴퓨터 비전

의료 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 의료 솔루션을 구축하세요. 의료 분야의 비전 AI는 의료 영상 판독을 가속화하고, 진단을 개선하며, 환자 모니터링을 지원합니다.
자세히 알아보기
제조 분야의 컴퓨터 비전

제조 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 제조 공정을 최적화하세요. 비전 AI는 품질 관리, 결함 탐지, PPE 규정 준수, 조립 라인 자동화를 지원합니다.
자세히 알아보기
자동차 분야의 컴퓨터 비전

자동차 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 자동차 분야에 컴퓨터 비전을 적용하세요. 비전 AI는 도로 안전, 운전자 지원, 차량 자동화를 개선해 더 스마트한 도로를 구현합니다.
자세히 알아보기
농업 분야의 컴퓨터 비전

농업 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 스마트 농업에 비전 AI를 도입하세요. 작물 모니터링, 가축 추적, 정밀 농업을 지원하여 더 높은 수확량과 더 스마트한 농업을 실현합니다.
자세히 알아보기

함께 AI의 미래를 만들어 가세요!

머신러닝의 미래와 함께 여정을 시작하세요