Skip to content

About

PyTorch CNN으로 작물 3종 분류 — 전처리부터 학습까지 구현, 모델 깊이 비교 실험

Resources

Stars

0 stars

Watchers

0 watching

Forks

Latest commit

 

History

5 Commits

Folders and files

Repository files navigation

CNN 작물 이미지 분류

PyTorch CNN으로 작물 3종(고추 / 배추 / 오이) 분류 프로젝트.


프로젝트 소개

  • AI Hub 노지 작물 질병 진단 이미지(정상) 사용, 클래스당 2,000장 언더샘플링, 총 6,000장으로 3종 분류 모델 구현
  • EDA, 데이터 파이프라인, CNN 설계 및 학습, Conv 블록 수(3 / 4 / 5) 비교 실험 — 노트북 4개로 구성

적용 이론 및 구현 내용

역량 구현 내용
EDA 클래스별 이미지 수, 해상도 분포(클래스당 200장 샘플), RGB 채널 분포, 깨진 이미지 검사 → 언더샘플링 / 224×224 리사이즈 / RGB 유지 결정
데이터 분할 train_test_split + stratify로 train 80% / val 10% / test 10% (4,800 / 600 / 600장) 분할, SEED=42 재현성 확보
정규화 train 1,500장 샘플링으로 RGB 채널별 mean / std 계산, train만 사용해 val / test 정보 유입 차단
커스텀 Dataset Dataset 상속, __len__ / __getitem__ 구현, transform 외부 주입으로 train / val·test 전처리 분리
데이터 증강 train에만 RandomHorizontalFlip 적용, val / test는 증강 없이 평가
CNN 설계 Conv2d → BatchNorm2d → ReLU → MaxPool2d 블록 4개(채널 32 / 64 / 128 / 256), AdaptiveAvgPool2d, Dropout(0.5) — CropCNN 422,659 파라미터
학습 루프 CrossEntropyLoss, Adam(lr=1e-3), 최대 50 에폭, val_loss 기준 Early Stopping(patience=5), val_acc 기준 best 모델 저장
평가 best 모델로 test set Confusion Matrix, 클래스별 정확도 산출
비교 실험 Conv 블록 3 / 4 / 5개(ShallowCNN / CurrentCNN / DeepCNN) 동일 조건 학습, 파라미터 수와 Best Val Acc 비교
실행 환경 Docker로 Jupyter Notebook 환경 구성, GPU(RTX 3080) 학습 환경 재현

구현 결과 및 실행

결과 요약

모델 깊이 비교 (동일 조건, 04. experiments)

모델 Conv 블록 파라미터 Best Val Acc 중단 에폭
ShallowCNN 3 102,147 0.9467 15
CurrentCNN 4 422,659 0.9717 29
DeepCNN 5 1,702,659 0.9600 10
  • 5블록: 파라미터 약 4배(422K → 1,702K), Best Val Acc 차이 1.17%p → 4블록을 기준 모델로 선택

기준 모델 Test 평가 (03.model)

항목 결과
학습 28 에폭 Early Stopping, Best Val Acc 0.9733
Test Accuracy 0.9717 (600장)
클래스별 정확도 cabbage 0.9950 / cucumber 0.9800 / pepper 0.9400

스크린샷

학습 곡선 (epoch별 train / val Loss, Accuracy — 28 에폭) Test Confusion Matrix, 클래스별 정확도
모델 깊이 비교 곡선 (ShallowCNN / CurrentCNN / DeepCNN Val Loss, Val Acc)
클래스 분포 / 샘플 이미지 / RGB 채널 분포
클래스별 이미지 수 (언더샘플링 전 — pepper 2,705 / cabbage 2,008 / cucumber 2,227)
클래스별 샘플 (224×224)
RGB vs Grayscale 비교 클래스별 RGB 채널 픽셀 분포

사용 기술

분류 내용
언어 Python, Jupyter Notebook
표준 라이브러리 os, random, pathlib, collections
외부 라이브러리 PyTorch, torchvision, torchinfo, scikit-learn, NumPy, Pandas, Matplotlib, seaborn, Pillow, tqdm
환경 Docker, NVIDIA RTX 3080 (CUDA)
코드 작성 보조 Claude (Anthropic)

개선 방향

  • 검증 손실이 학습 후반(17, 20, 22, 26 에폭)에도 반복적으로 튀어 학습률 스케줄러로 변동 감소 실험 여지 있음
  • 깊이 비교는 동일 시드로 1회씩 실행한 결과, val 600장 기준 1.17%p는 약 7장 차이 — 시드 변경 반복으로 신뢰도 향상 가능
  • DeepCNN은 10 에폭에서 Early Stopping 조기 중단 — patience 조정 후 5블록 성능 재비교 필요
  • 오분류: pepper → cucumber 12장 최다 — 해당 이미지 확인 및 원인 분석 미완료

실행 방법

  1. Dockerfile로 이미지 빌드, Jupyter Notebook 환경 실행
  2. AI Hub 노지 작물 질병 진단 데이터에서 고추 / 배추 / 오이 원천 이미지 수령 후 data/raw/Training, data/raw/Validation 아래 배치 (data/는 .gitignore 대상)
  3. 노트북 01 → 02 → 03 → 04 순서로 실행 (03, 04는 데이터 경로 /data_local/raw 기본값 — 환경에 맞게 RAW_DIR 수정)
  4. 03.model 실행 시 best 모델 models/best_model.pth 저장 (models/는 .gitignore 대상)
  5. 실행 실패 시 PyTorch 버전 고정

파일 구성

cnn-crop-classifier
 ┣ notebooks
 ┃ ┣ 01.EDA.ipynb              # 클래스 분포, 해상도, 채널 분석
 ┃ ┣ 02.data_pipeline.ipynb    # 분할, 정규화 통계, Dataset, DataLoader
 ┃ ┣ 03.model.ipynb            # CropCNN, 학습 루프, Test 평가
 ┃ ┗ 04. experiments.ipynb     # Conv 블록 3 / 4 / 5 비교 실험
 ┣ results
 ┃ ┗ figures                   # 노트북에서 저장한 그래프 7장
 ┣ Dockerfile                  # Jupyter Notebook 실행 환경
 ┣ requirements.txt            # 패키지 목록
 ┣ .gitignore                  # data, models 제외
 ┗ README.md

About

PyTorch CNN으로 작물 3종 분류 — 전처리부터 학습까지 구현, 모델 깊이 비교 실험

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages