이미지 예측을 통한 가위바위보 게임 서비스

Demo

프로젝트 흐름도

프로젝트 목표

인공지능 서비스 개발 및 ML 워크플로 이해

Tech Stack

1. 모델링

   • Python, Tensorflow

2. 웹 앱

   • Frontend – Bootstrap(HTML, CSS)
   • Backend - Flask
   • Server - GCP Compute Engine

3. Platform

   • Docker

4. 기타

   • Github

데이터셋

• 가위,바위,보 이미지 각각 2,500개, 총 7,500개의 이미지 데이터
• 모델링 과정에서 오분류된 데이터 중 이상데이터 제거

모델링

하드웨어 사양

• Tesla K80 12GB, (Colab 환경, GPU)

데이터의 개수가 많지 않아 전이 학습을 진행
MobileNet, Xception, ResNet50 모델을 비교

• Optimizer : Adam
• learning rate : 2e-5
• Epochs : 20
• Metrics : Cross entropy

	MobileNet	Xception	ResNet50
파라미터 개수	5,589,187	29,251,115	31,977,347
소요 시간(분:초)	6:17	11:23	9:01
정확도(%)	99.3	99.5	99.7

비교 결과 모두 3% 미만의 overfitting, 99% 이상의 정확도를 보여주며, 모델 간 0.5% 이하의 차이를 보여줌
추후 CI/CD 적용을 고려하여 가장 가벼운 모델인 MobileNet 채택

웹앱

• HTML, CSS를 통해 웹 페이지 구현
• File 송수신을 통해 서버와 이미지를 주고 받음
• Flask를 통해 GCP 서버에서 웹 페이지 구동

기타

• Github를 통한 이슈 트래킹과 코드 형상관리
• Docker를 통한 Container 제공, 배포 관리 단순화

회고

• 비교적 간단한 분류 문제로서 MobileNet과 같이 복잡한 모델을 사용하지 않아도 충분히 성능을 낼 수 있을 것으로 예상, 더 작은 모델로 개선 가능
• 웹앱, 컨테이너, 인스턴스 간의 ip, 포트 연결 문제가 있어 로컬에서 단순 웹앱은 이상없었으나 도커컨테이너에선 접근이 불가능 했음
  • 가상환경, ip binding, 포트포워딩에 대한 이해도 필요
• 사용성이 편리한 heroku를 사용하려고 했으나, 프로젝트에 필요한 모듈의 용량으로 인해 heroku 서버에 업로드가 불가능 했음 (Heroku 용량 제한 500MB)
  • 모듈간의 의존성의 이해와 최적화 필요

향후목표

• CNN을 통한 모델 개선
• 포트 포워딩 등 네트워크 이해를 통한 서버 안정화
• 모델 API 패키징
• CI/CD툴을 사용해 자동화,로깅,모니터링 추가
• K8S클러스터 구성 및 CT 파이프라인 구성
• 데이터 버전 관리