이미지 분류 모델의 필수 과정: 전처리, 증강, 그리고 전이 학습

1. 이미지 리사이징(Resizing)과 정규화(Normalization)를 하는 이유

이미지 전처리 단계에서 가장 기본적이면서도 필수적인 두 가지 과정입니다.

리사이징 (Resizing)

수집된 이미지들은 저마다 해상도(크기)가 다릅니다. 이를 동일한 크기(예: 224x224, 256x256)로 맞추는 작업입니다.

• 텐서(Tensor) 연산을 위한 규격화: 딥러닝 모델(특히 CNN 기반 모델)은 데이터를 미니 배치(Mini-batch) 단위의 행렬 연산으로 처리합니다. 배치를 구성하려면 모든 입력 데이터의 차원(가로, 세로, 채널)이 완벽하게 동일해야 합니다.
• 네트워크 구조적 제약: 모델의 마지막 부분에 위치하는 완전 연결 계층(Fully Connected Layer, Dense Layer)은 고정된 크기의 입력값을 요구합니다. (최근에는 Global Average Pooling 등을 사용해 유연해지기도 했지만, 여전히 표준 크기를 맞추는 것이 일반적입니다.)
• 메모리 및 연산 효율성: 4K 해상도 이미지를 원본 그대로 넣으면 파라미터 수가 기하급수적으로 늘어나 GPU 메모리가 부족해지고(OOM 발생), 학습 속도가 매우 느려집니다. 적절한 크기로 줄여 연산 효율을 높여야 합니다.

정규화 (Normalization)

이미지의 픽셀 값은 보통 0부터 255 사이의 정수 값(RGB)을 가집니다. 이를 0과 1 사이, 혹은 -1과 1 사이의 실수로 스케일링하는 작업입니다.

• 학습 속도 향상(빠른 수렴): 특성(Feature)들의 스케일이 다르면 경사하강법(Gradient Descent)이 최적의 가중치를 찾아가는 과정에서 심하게 진동하며 학습이 지연됩니다. 범위를 통일하면 손실 함수(Loss Function)의 표면이 균일해져 훨씬 빠르고 안정적으로 최적점에 도달합니다.
• 가중치 초기화와의 궁합: 신경망의 가중치들은 보통 0 근처의 작은 값으로 초기화됩니다. 입력값이 255처럼 너무 크면, 초기 학습 시 활성화 함수(Sigmoid, ReLU 등)의 기울기 소실(Vanishing Gradient)이나 발산 문제가 발생할 수 있습니다.

•