Normalization

정규화가 모델 학습과 정확도를 어떻게 향상시키는지 탐구해 보십시오. Min-Max 스케일링, Z-점수 표준화, 그리고 Ultralytics YOLO26 프로젝트에서의 역할에 대해 배우십시오.

정규화는 수치적 속성을 표준 범위로 재조정하는 데이터 전처리의 핵심 기법입니다. 머신러닝(ML) 환경에서 데이터셋은 종종 나이 범위(0–100)와 소득 수준(0–100,000)처럼 서로 다른 척도를 가진 특성들을 포함합니다. 이를 그대로 두면 이러한 차이로 인해 최적화 알고리즘이 큰 값에 편향되어 수렴이 느려지고 성능이 최적화되지 않을 수 있습니다. 데이터를 정규화함으로써 엔지니어는 모든 특성이 최종 결과에 균형 있게 기여하도록 보장하며, 신경망(neural networks)이 더욱 효율적으로 학습할 수 있도록 합니다.

Link to this section일반적인 정규화 기법#

데이터를 변환하는 여러 표준 방법이 있으며, 각 방법은 서로 다른 분포와 알고리즘 요구 사항에 적합합니다.

Min-Max 스케일링: 이는 가장 직관적인 형태의 정규화입니다. 데이터를 고정된 범위, 일반적으로 [0, 1]로 재조정합니다. 이 변환은 최소값을 빼고 범위(최대값 빼기 최소값)로 나누어 수행됩니다. 이 기법은 픽셀 강도가 0에서 255 사이로 제한된다는 것을 알고 있는 이미지 처리 분야에서 널리 사용됩니다.
Z-Score 표준화: 정규화와 혼용되어 사용되기도 하지만, 표준화는 데이터를 평균이 0이고 표준 편차가 1이 되도록 구체적으로 변환합니다. 이는 데이터가 가우시안 분포를 따를 때 특히 유용하며, 데이터가 정규 분포를 따른다고 가정하는 서포트 벡터 머신(SVM)과 같은 알고리즘에 필수적입니다.
로그 스케일링: 극단적인 이상치를 포함하거나 멱법칙(power law)을 따르는 데이터의 경우, 로그 변환을 적용하면 값의 범위를 압축할 수 있습니다. 이를 통해 추론 엔진이 거대한 값의 급증으로 인해 왜곡되지 않고 효과적으로 분포를 해석할 수 있게 됩니다.

Link to this section실제 애플리케이션 사례#

정규화는 다양한 산업 분야의 고성능 AI 시스템 파이프라인에서 표준적으로 수행되는 단계입니다.

컴퓨터 비전(CV): 객체 검출 및 이미지 분류와 같은 작업에서 디지털 이미지는 0에서 255 사이의 픽셀 값으로 구성됩니다. 이러한 큰 정수를 네트워크에 직접 입력하면 경사 하강법이 느려질 수 있습니다. 표준 전처리 단계에서는 픽셀 값을 255.0으로 나누어 [0, 1] 범위로 정규화합니다. 이 관행은 YOLO26과 같은 고급 모델에 일관된 입력을 보장하며, Ultralytics Platform에서의 학습 안정성을 향상시킵니다.
의료 이미지 분석: 헬스케어 AI에 사용되는 것과 같은 의료 스캔 데이터는 서로 다른 강도 척도를 가진 다양한 장비에서 생성되는 경우가 많습니다. 정규화는 MRI나 CT 스캔의 픽셀 강도가 환자나 장비에 관계없이 비교 가능하도록 보장합니다. 이러한 일관성은 정확한 종양 검출을 위해 필수적이며, 모델이 밝기 변화보다는 구조적 이상에 집중할 수 있게 합니다.

Link to this section관련 개념 구분#

딥러닝에서 발견되는 유사한 전처리 및 구조적 용어와 정규화를 구분하는 것이 중요합니다.

vs. 배치 정규화(Batch Normalization): 데이터 정규화는 네트워크에 입력되기 전 원시 입력 데이터셋에 적용되는 전처리 단계입니다. 반면, 배치 정규화는 모델 학습 중에 네트워크 전체의 레이어 사이에서 내부적으로 작동합니다. 이는 이전 활성화 레이어의 출력을 정규화하여 학습 과정을 안정화합니다.
vs. 이미지 증강(Image Augmentation): 정규화는 픽셀 값의 스케일을 변경하지만, 증강은 데이터셋 다양성을 높이기 위해 이미지의 콘텐츠나 기하학적 구조(예: 뒤집기, 회전, 색상 변경)를 변경합니다. Albumentations와 같은 도구는 증강에 사용되는 반면, 정규화는 수학적인 스케일링 작업입니다.

Link to this section구현 예시#

컴퓨터 비전에서 정규화는 종종 파이프라인의 첫 번째 단계입니다. 다음 Python 예제는 NumPy 라이브러리를 사용하여 이미지 데이터를 수동으로 정규화하는 방법을 보여줍니다. 이 과정은 Ultralytics YOLO26 학습 중 데이터 로더 내에서 자동으로 수행됩니다.

import numpy as np

# Simulate a 2x2 pixel image with values ranging from 0 to 255
raw_image = np.array([[0, 255], [127, 64]], dtype=np.float32)

# Apply Min-Max normalization to scale values to [0, 1]
# This standardizes the input for the neural network
normalized_image = raw_image / 255.0

print(f"Original Range: {raw_image.min()} - {raw_image.max()}")
print(f"Normalized Range: {normalized_image.min()} - {normalized_image.max()}")