데이터 증강

학습 목표

이 레슨을 완료하면:

• •데이터 증강의 필요성과 효과를 이해합니다
• •다양한 이미지 증강 기법을 적용합니다
• •torchvision.transforms를 능숙하게 사용합니다
• •데이터 증강이 모델 성능에 미치는 영향을 파악합니다

---

핵심 메시지

"같은 이미지를 다르게 보는 연습" 사람은 고양이 사진을 뒤집어도, 회전해도, 밝기가 달라도 고양이로 인식합니다. 데이터 증강은 모델에게 이런 "불변성"을 가르치는 방법입니다.

---

1. 왜 데이터 증강이 필요한가?

데이터 부족의 문제

데이터 증강의 효과

---

2. 주요 증강 기법

기하학적 변환

색상 변환

---

3. PyTorch 구현

🔬 실습: 증강 기법 시각화

python
⚠️ 로컬 실행 필요복사
import torch
from torchvision import transforms
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np

# ═══════════════════════════════════════════════════════════════
# 📊 데이터 증강 기법 시각화
# ═══════════════════════════════════════════════════════════════

# 샘플 이미지 생성 (체커보드 패턴)
def create_sample_image():
    img = np.zeros((64, 64, 3), dtype=np.uint8)
    img[::8, ::8] = [255, 100, 100]  # 빨간 점
    img[4::8, 4::8] = [100, 100, 255]  # 파란 점
    for i in range(64):
        for j in range(64):
            if (i // 8 + j // 8) % 2 == 0:
                img[i, j] = [200, 200, 200]
    return Image.fromarray(img)

original = create_sample_image()

# 다양한 증강 기법
augmentations = {
    'Original': transforms.Compose([transforms.ToTensor()]),
    'H-Flip': transforms.Compose([
        transforms.RandomHorizontalFlip(p=1.0),
        transforms.ToTensor()
    ]),
    'Rotation (45)': transforms.Compose([
        transforms.RandomRotation([45, 45]),
        transforms.ToTensor()
    ]),
    'Random Crop': transforms.Compose([
        transforms.RandomCrop(48),
        transforms.Resize(64),
        transforms.ToTensor()
    ]),
    'Color Jitter': transforms.Compose([
        transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5),
        transforms.ToTensor()
    ]),
    'Combined': transforms.Compose([
        transforms.RandomHorizontalFlip(),
        transforms.RandomRotation(15),
        transforms.ColorJitter(0.2, 0.2, 0.2),
        transforms.ToTensor()
    ]),
}

# 시각화
fig, axes = plt.subplots(2, 3, figsize=(12, 8))

for ax, (name, transform) in zip(axes.flat, augmentations.items()):
    img_tensor = transform(original)
    img_np = img_tensor.permute(1, 2, 0).numpy()
    img_np = np.clip(img_np, 0, 1)
    ax.imshow(img_np)
    ax.set_title(name, fontsize=12)
    ax.axis('off')

plt.suptitle('Data Augmentation Techniques', fontsize=14, fontweight='bold')
plt.tight_layout()
plt.show()

---

4. 실전 증강 파이프라인

🔬 실습: CIFAR-10 증강 파이프라인

python
실행복사
from torchvision import transforms

# ═══════════════════════════════════════════════════════════════
# 📊 실전 데이터 증강 파이프라인
# ═══════════════════════════════════════════════════════════════

# 훈련용 (강한 증강)
train_transform = transforms.Compose([
    # 기하학적 변환
    transforms.RandomHorizontalFlip(p=0.5),
    transforms.RandomRotation(15),
    transforms.RandomCrop(32, padding=4),

    # 색상 변환
    transforms.ColorJitter(
        brightness=0.2,
        contrast=0.2,
        saturation=0.2,
        hue=0.1
    ),

    # 텐서 변환 및 정규화
    transforms.ToTensor(),
    transforms.Normalize(
        mean=[0.4914, 0.4822, 0.4465],
        std=[0.2470, 0.2435, 0.2616]
    ),

    # 추가 정규화 (선택)
    transforms.RandomErasing(p=0.2),  # 일부 영역 지우기
])

# 테스트용 (증강 없음)
test_transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize(
        mean=[0.4914, 0.4822, 0.4465],
        std=[0.2470, 0.2435, 0.2616]
    ),
])

print("=" * 50)
print("📊 훈련용 증강 파이프라인")
print("=" * 50)
print("1. RandomHorizontalFlip (p=0.5)")
print("2. RandomRotation (±15°)")
print("3. RandomCrop (32, padding=4)")
print("4. ColorJitter (밝기, 대비, 채도, 색조)")
print("5. ToTensor + Normalize")
print("6. RandomErasing (p=0.2)")

print("\n📊 테스트용 파이프라인")
print("=" * 50)
print("1. ToTensor + Normalize (증강 없음)")

---

5. 증강 효과 검증

🔬 실습: 증강 유무에 따른 성능 비교

python
⚠️ 로컬 실행 필요복사
import torch
import torch.nn as nn
import matplotlib.pyplot as plt

# ═══════════════════════════════════════════════════════════════
# 📊 데이터 증강 효과 시뮬레이션
# ═══════════════════════════════════════════════════════════════

# 시뮬레이션 데이터 (실제 학습 결과 시뮬레이션)
epochs = list(range(1, 31))

# 증강 없이 학습
no_aug_train = [90 - 30*np.exp(-e/5) + np.random.randn()*2 for e in epochs]
no_aug_test = [75 - 20*np.exp(-e/8) + np.random.randn()*2 for e in epochs]

# 증강과 함께 학습
with_aug_train = [85 - 25*np.exp(-e/7) + np.random.randn()*2 for e in epochs]
with_aug_test = [82 - 15*np.exp(-e/10) + np.random.randn()*2 for e in epochs]

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# 훈련 정확도
axes[0].plot(epochs, no_aug_train, 'b-', label='No Augmentation', linewidth=2)
axes[0].plot(epochs, with_aug_train, 'g-', label='With Augmentation', linewidth=2)
axes[0].set_xlabel('Epoch')
axes[0].set_ylabel('Train Accuracy (%)')
axes[0].set_title('Train Accuracy')
axes[0].legend()
axes[0].grid(True, alpha=0.3)
axes[0].set_ylim(50, 95)

# 테스트 정확도
axes[1].plot(epochs, no_aug_test, 'b-', label='No Augmentation', linewidth=2)
axes[1].plot(epochs, with_aug_test, 'g-', label='With Augmentation', linewidth=2)
axes[1].axhline(y=80, color='r', linestyle='--', alpha=0.5, label='Target Accuracy')
axes[1].set_xlabel('Epoch')
axes[1].set_ylabel('Test Accuracy (%)')
axes[1].set_title('Test Accuracy')
axes[1].legend()
axes[1].grid(True, alpha=0.3)
axes[1].set_ylim(50, 95)

plt.suptitle('Data Augmentation Effect Comparison', fontsize=14, fontweight='bold')
plt.tight_layout()
plt.show()

print("=" * 55)
print("📊 결과 분석")
print("=" * 55)
print("증강 없음:")
print("  - 훈련 정확도 높음, 테스트 정확도 낮음 → 과적합!")
print("\n증강 있음:")
print("  - 훈련 정확도 약간 낮음, 테스트 정확도 높음 → 일반화 성공!")
print("\n💡 데이터 증강은 과적합을 방지하고 일반화 성능을 높입니다!")

---

핵심 요약

---

학습 체크리스트

• • 데이터 증강의 필요성을 설명할 수 있다
• • 기하학적/색상 증강 기법을 구분한다
• • transforms.Compose로 파이프라인을 만들 수 있다
• • 훈련/테스트 시 증강 적용 차이를 안다

Level 5 완료!

축하합니다! CNN과 이미지 처리의 핵심을 모두 학습했습니다. 다음 Level에서는 순환 신경망(RNN)과 시퀀스 데이터 처리를 배웁니다!