오늘의 AI데이터 증강을 통해 한 개의 라벨 이미지를 무한 훈련 세트로 변환
머신러닝 모델은 데이터가 많아야 효과적이고, 작은 데이터셋은 과적합을 유발합니다. 데이터 증강은 기존 이미지에 변형을 적용해 새로운 라벨이 올바르게 붙은 예시를 생성하는 방법입니다.
01
사례 핵심
머신러닝 모델은 데이터가 많아야 효과적이고, 작은 데이터셋은 과적합을 유발합니다. 데이터 증강은 기존 이미지에 변형을 적용해 새로운 라벨이 올바르게 붙은 예시를 생성하는 방법입니다.
02
적용 포인트
머신러닝 모델의 훈련 데이터가 부족할 때
03
내 업무에 적용해보기
- HTML5 캔버스에서 원본 이미지를 오프스크린 소스 캔버스에 그립니다.
- 각 변형은 이 순수한 소스를 기반으로 새로운 결과를 다른 위치에 그립니다.
- 기하학적 변환(회전, 뒤집기 등)을 적용하여 이미지의 공간 불변성을 학습시킵니다.
- 무작위 크롭 및 색 조정 등을 통해 다양한 데이터 생성