CNN 알고리듬이 이미지를 인식함에 있어 뛰어난 성능을 보인다고는 하나 수많은 이미지들을 라벨화하여 인식하기 위해서는 만만찮은 컴퓨팅 속도와 메모리 용량이 필요하다. 이미지 인식 작업 때마다 학습을 시킨 후 특정 이미지를 테스트하려면 실시간으로는 어림도 없는 작업이다.
따라서 이미지 학습과 이미지 테스트를 분리하여 처리하기 위한 시도로서 이미지 Pretrainning 기법에 대해서 알아보자. 태어나서부터 사회생활을 할 때까지 실생활에서 필요한 범위의 이미지를 인식하려면 상당한 규모의 데이터베이스를 형성할 필요가 있다.
구글 프로젝트에서 파생된 ml5.js 사이트에 관해서 알아보자.
Pretrainned 접근법에서는 알고리듬을 생각하여 TensorFlow 코드를 작성하듯이 일일이 코드를 작성할 필요는 없는 듯하다. 간단하게는 위 사이트의 그림 위치에 인식하고자 하는 그림 파일을 드래그 해다 넣고 결과를 출력해서 보면 된다. 확률이 높은 순위별로 몇 개의 라벨에 대해서 손 쉽게 출력 값을 제공한다.
코딩하여 이용하려면 ml5js는 자바스크립트이므로 Node.js에서는 TensorFlow.js나 Processing 의 P5.js에서는 ml5.js 라이브러리 모듈을 설치하여 코드 편집이 가능하다. 이 단계에서 TensorFlow 알고리듬 전체를 다 이해할 필요는 없을 것이며 이미지 데이터 파일 준비하여 입력 후 출력 결과를 받아 보는 정도일 것이다.
머신 러닝 코딩의 연장선상의 코딩 작업이지만 이미 TensorFlow 알고리듬을 어는 정도 이해하고 있다면 대단히 흥미로운 주제가 될 수 있을 것이다.