Normalization

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

정규화(Normalization)는 숫자 속성을 표준 범위로 재조정하는 데이터 전처리의 핵심 기법입니다. 머신러닝(ML)의 맥락에서 데이터셋에는 종종 연령 범위(0~~100)와 소득 수준(0~~100,000)처럼 서로 다른 스케일을 가진 특성들이 포함됩니다. 이러한 격차를 그대로 두면 최적화 알고리즘이 더 큰 값에 편향되어 수렴 속도가 느려지고 성능이 저하될 수 있습니다. 엔지니어는 데이터를 정규화함으로써 모든 특성이 최종 결과에 비례하여 기여하도록 보장하며, 신경망이 더 효율적으로 학습할 수 있도록 합니다.

일반적인 정규화 기법#

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

최소-최대 스케일링(Min-Max Scaling): 이는 가장 직관적인 형태의 정규화입니다. 데이터를 보통 [0, 1]과 같은 고정된 범위로 재조정합니다. 이 변환은 최솟값을 빼고 범위(최댓값 마이너스 최솟값)로 나누어 수행합니다. 픽셀 강도가 0에서 255 사이로 제한되어 있음이 알려진 이미지 처리에서 널리 사용됩니다.
Z-Score Standardization: While often used interchangeably with normalization, standardization specifically transforms data to have a mean of 0 and a standard deviation of 1. This is particularly useful when the data follows a Gaussian distribution and is essential for algorithms like Support Vector Machines (SVM) that assume normally distributed data.
로그 스케일링(Log Scaling): 극단적인 이상치가 포함되어 있거나 멱법칙(power law)을 따르는 데이터의 경우, 로그 변환을 적용하면 값의 범위를 압축할 수 있습니다. 이를 통해 거대한 값의 급증에 왜곡되지 않고 추론 엔진이 분포를 효과적으로 해석할 수 있도록 관리하기 쉬워집니다.

실제 애플리케이션 사례#

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

컴퓨터 비전(CV): 객체 검출 및 이미지 분류 등의 작업에서 디지털 이미지는 0에서 255 사이의 픽셀 값으로 구성됩니다. 이러한 큰 정수를 네트워크에 직접 입력하면 경사 하강법(gradient descent)이 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 플랫폼에서 학습 안정성을 향상시킵니다.
의료 영상 분석: 헬스케어 분야의 AI 등에 사용되는 의료 스캔은 종종 서로 다른 강도 스계를 가진 다양한 장비에서 생성됩니다. 정규화는 MRI 또는 CT 스캔의 픽셀 강도가 다양한 환자와 장비 간에 비교 가능하도록 보장합니다. 이러한 일관성은 정확한 종양 검출에 매우 중요하며, 모델이 밝기 변화보다는 구조적 이상에 집중할 수 있도록 합니다.

구현 예시#

컴퓨터 비전에서 정규화는 종종 파이프라인의 첫 번째 단계입니다. 다음 Python 예제는 NumPy 라이브러리를 사용하여 이미지 데이터를 수동으로 정규화하는 방법을 보여주며, 이 과정은 학습 중 Ultralytics YOLO26 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()}")