4-2. 학습 생성

머신러닝에서의 학습은, 하나의 목적(ML Task)을 달성하기 위해 모델이 특정 설정(예: 학습 데이터, 하이퍼파라미터 등)을 바탕으로 한 한 번의 학습 과정을 수행하는 단위입니다.

상단 메뉴에서 머신러닝 탭을 선택한 뒤, 실험 탭으로 이동하고 실험 목록에서 학습을 진행할 실험 카드를 클릭합니다.
실험 페이지에서 우측 상단의 학습 생성 버튼을 클릭합니다.
생성할 학습의 인공신경망을 설정한 후, 다음 단계 버튼을 클릭합니다.
- 인공싱경망
  - 인공신경망 : 실험 목적에 해당하는 인공신경망만 목록에 노출됩니다. 인공신경망 추가버튼을 클릭하면 팝업창이 열리며, 이 중 하나의 신경망을 선택한 뒤 좌측 하단의 선택 완료 버튼을 클릭합니다.
    
    인공신경망을 변경해야 하는 경우, 우측의 인공신경망 변경버튼을 클릭한 후 실험 목적에서 원하는 인공신경망을 다시 선택하고 좌측 하단의 선택 완료버튼을 클릭하여 변경합니다.
- 체크포인트 : 체크포인트는 모델 학습 중 특정 시점의 상태를 저장한 중간 결과 파일로, 학습을 이어서 진행하거나 성능을 비교할 때 사용됩니다
  
  여기 체크포인트 설정에서는 이전에 진행된 학습에서 저장된 체크포인트를 검색하여 선택할 수 있습니다. 처음부터 학습을 시작하려는 경우에는 선택하지 않아도 됩니다.
생성할 학습의 데이터셋을 설정한 후, 다음 단계 버튼을 클릭합니다.
- 데이터셋 : 학습 생성 시에 활용할 데이터셋은 GT데이터셋으로 (Ground Dataset, GT Dataset) 인공지능 모델이 학습할 때 정답(참값)으로 사용하는 데이터입니다.
  - 데이터셋 선택 : 실험의 데이터 타입에 따라 사용할 수 있는 데이터셋만 필터링하여 목록에 노출됩니다.
  - 데이터셋 버전 : 학습 생성 시에 활용할 GT 데이터셋의 저장된 버전을 선택할 수 있습니다.
  - 데이터셋 구성 비율 : 선택한 데이터셋 버전의 학습 구성 비율이 그래프로 표기됩니다. 구성 비율 변경을 원하시면, 우측의 데이터셋 구성 변경 버튼을 클릭합니다. 버튼을 클릭하면, 해당 GT 데이터셋 버전 화면으로 이동합니다.
모델 학습에 사용되는 학습 파라미터 값을 설정한 후, 다음 단계 버튼을 클릭합니다.
- 학습 파라미터 : 머신러닝 모델이 패턴을 학습하면서 조정하는 숫자(변수)를 의미합니다. (*선택한 인공신경망에 따른 학습 파라미터 설정값이 달라질 수 있습니다.)
  - Epochs : 전체 학습을 반복하는 단위를 의미하며, 최소 단위 1에서 최대 10000까지 조절 가능합니다.
  - Batch Size : 한 번의 학습에서 처리하는 데이터 개수를 의미합니다. 작은 배치는 정밀하지만 느리고 큰 배치는 빠르지만 일반화 성능이 떨어질 수 있습니다.
  - Learning Rate : 머신러닝 모델이 학습할 때, 가중치(Weight)를 얼마나 빠르게 업데이트할지 결정하는 값으로, 너무 크면 최적점을 놓치고 너무 작으면 학습이 느려짐집니다. 설정값은 최소 0.0001에서 최대 1 사이의 소수값으로 기재합니다.
  - Image Size : 이미지의 크기 설정 기능으로 320~1280의 픽셀 단위로 설정하여 모델의 성능과 자원 효율성을 향상 시킬 수 있습니다.
  - Momentum : 옵티마이저의 파라미터값으로, 적정값을 활용할 경우 학습속도를 높이고 안정성을 향상시킬 수 있습니다.
학습에 사용할 에이전트를 선택한 뒤, 다음 단계 버튼을 클릭합니다.
- 에이전트 : 모델이 최적의 성능을 낼 수 있도록 학습을 관리하고 지원하는 역할을 합니다.
  - 에이전트 선택 : 목록에서 사용할 에이전트를 선택할 수 있으며, 에이전트의 연동 상태 및 정보는 더보기 >버튼을 클릭하여 확인할 수 있습니다.
학습 정보를 입력한 후, 생성버튼을 클릭하여 학습을 생성합니다.
- 학습 명 : 학습의 이름을 기입합니다. 다른 학습과 중복되지 않도록 구분 가능한 이름으로 작성해주세요. (최대 50자 입력 가능)
- 설명 : 학습에 대한 설명을 기입합니다. (최대 200자 입력 가능)
생성 버튼을 클릭하면 학습이 시작되며, 학습 기본 정보 화면으로 이동합니다. 이곳에서는 해당 데이터셋의 학습 진행률, 상태, 소요 시간 등 학습 정보를 실시간으로 확인할 수 있습니다. 학습이 진행되면, 학습 손실(Loss) 및 평가 지표(mAP 등) 그래프가 실시간으로 표시되며, 예측 결과가 시각화된 이미지와 함께 제공되어 모델의 성능을 확인할 수 있습니다. 또한, 로그와 메시지 기록을 통해 전체 학습 과정을 세부적으로 검토할 수 있습니다.