[Project] 고기 부위 분류 AI: 파인튜닝을 통한 정확도 70% → 90% 개선 전략요약: EfficientNet-B2 기반 고기 부위 분류 모델을 점진적 파인튜닝과 체계적 테스트를 통해 정확도 70% → 80% → 90%로 개선한 경험을 공유합니다. 데이터 불균형 해소와 하이퍼파라미터 최적화가 핵심이었습니다.📋 목차문제 상황핵심 해결 전략1단계: 데이터셋 준비 (Dataset Balancer)2단계: 파인튜닝 기법 적용 (Advanced Fine-tuning)3단계: 테스트 자동화 및 신뢰성 확보4단계: 클래스 최적화 및 버그 수정성능 개선 결과주요 교훈01. 문제 상황초기 상태모델: EfficientNet-B2 + ImageNet 사전학습 가중치클래스: 소고기 10부위 분류초기 정확도: 약 ..

1. 가설 검증: 데이터보다 모델의 가능성을 먼저 확인테스트 모델: EfficientNet-B0많은 입문자가 데이터 수집부터 시작하지만, 저희 팀은 '최소 기능 모델(Baseline)'의 성능을 먼저 테스트하기로 했습니다.이유 1 (효율성): 이미 연구용으로 분류된 소량의 데이터가 있었기에 이를 활용해 모델의 학습 가능성을 먼저 타진하고 싶었습니다.이유 2 (디버깅): 데이터가 방대한 상태에서 성능이 안 나오면 '데이터 정제' 문제인지 '모델 구조' 문제인지 파악하기 어렵습니다. 소규모 데이터로 모델의 '학습 메커니즘'을 먼저 이해하고자 했습니다.보통의 AI 학습은 아래와 같은 파이프라인을 거친다.1. 아이디어 정의 → 문제 정의 → 목표, 평가지표 설정2. 데이터 수집 → 데이터 정제 → 데이터 라벨링..