docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,205 @@
|
||||
---
|
||||
id: wiki-2026-0508-image-classification-mastery
|
||||
title: Image Classification
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [image classification, ResNet, ViT, EfficientNet, ImageNet, CLIP]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.96
|
||||
verification_status: applied
|
||||
tags: [computer-vision, classification, resnet, vit, efficientnet, clip, imagenet]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: PyTorch / timm / Transformers
|
||||
---
|
||||
|
||||
# Image Classification
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 image → class label"**. 매 ImageNet benchmark. 매 evolution: AlexNet 2012 → VGG → ResNet 2015 → EfficientNet → ViT 2020 → CLIP / DINOv2. 매 modern: 매 foundation model 의 zero-shot.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 architecture evolution
|
||||
- **AlexNet** (2012): 매 deep learning revival.
|
||||
- **VGG** (2014): 매 deeper.
|
||||
- **ResNet** (2015): 매 skip connection.
|
||||
- **EfficientNet** (2019): 매 compound scaling.
|
||||
- **ViT** (2020): 매 transformer.
|
||||
- **ConvNeXt** (2022): 매 modern CNN.
|
||||
- **DINOv2** (2023): 매 self-supervised.
|
||||
- **CLIP** (2021): 매 zero-shot.
|
||||
|
||||
### 매 응용
|
||||
1. **Medical** (X-ray, pathology).
|
||||
2. **Industrial** (defect detection).
|
||||
3. **Retail** (visual search).
|
||||
4. **Wildlife** (camera trap).
|
||||
5. **Content moderation**.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### timm (modern model zoo)
|
||||
```python
|
||||
import timm
|
||||
model = timm.create_model('vit_base_patch16_224', pretrained=True)
|
||||
data_config = timm.data.resolve_data_config({}, model=model)
|
||||
transforms = timm.data.create_transform(**data_config)
|
||||
```
|
||||
|
||||
### Fine-tune (PyTorch)
|
||||
```python
|
||||
import torch
|
||||
from torchvision.models import resnet50, ResNet50_Weights
|
||||
model = resnet50(weights=ResNet50_Weights.IMAGENET1K_V2)
|
||||
model.fc = torch.nn.Linear(2048, n_classes)
|
||||
|
||||
# 매 freeze backbone (transfer learning baseline)
|
||||
for p in model.parameters(): p.requires_grad = False
|
||||
for p in model.fc.parameters(): p.requires_grad = True
|
||||
|
||||
optim = torch.optim.AdamW(model.fc.parameters(), lr=1e-3)
|
||||
```
|
||||
|
||||
### CLIP zero-shot
|
||||
```python
|
||||
from transformers import CLIPProcessor, CLIPModel
|
||||
model = CLIPModel.from_pretrained('openai/clip-vit-large-patch14')
|
||||
processor = CLIPProcessor.from_pretrained('openai/clip-vit-large-patch14')
|
||||
|
||||
texts = ['a photo of a dog', 'a photo of a cat', 'a photo of a bird']
|
||||
inputs = processor(text=texts, images=image, return_tensors='pt')
|
||||
out = model(**inputs)
|
||||
probs = out.logits_per_image.softmax(dim=-1)
|
||||
```
|
||||
|
||||
### DINOv2 (self-supervised features)
|
||||
```python
|
||||
import torch
|
||||
dinov2 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14')
|
||||
features = dinov2(image) # 매 frozen embedding for downstream
|
||||
```
|
||||
|
||||
### Mixup
|
||||
```python
|
||||
def mixup(x, y, alpha=0.4):
|
||||
lam = np.random.beta(alpha, alpha)
|
||||
idx = torch.randperm(x.size(0))
|
||||
return lam * x + (1 - lam) * x[idx], y, y[idx], lam
|
||||
```
|
||||
|
||||
### CutMix
|
||||
```python
|
||||
def cutmix(x, y, alpha=1.0):
|
||||
lam = np.random.beta(alpha, alpha)
|
||||
H, W = x.shape[-2:]
|
||||
cut_w = int(W * (1 - lam) ** 0.5)
|
||||
cut_h = int(H * (1 - lam) ** 0.5)
|
||||
cx, cy = np.random.randint(W), np.random.randint(H)
|
||||
x1, y1 = max(0, cx - cut_w//2), max(0, cy - cut_h//2)
|
||||
x2, y2 = min(W, cx + cut_w//2), min(H, cy + cut_h//2)
|
||||
idx = torch.randperm(x.size(0))
|
||||
x[:, :, y1:y2, x1:x2] = x[idx, :, y1:y2, x1:x2]
|
||||
return x, y, y[idx], 1 - (x2-x1)*(y2-y1)/(W*H)
|
||||
```
|
||||
|
||||
### Augmentation (albumentations)
|
||||
```python
|
||||
import albumentations as A
|
||||
augment = A.Compose([
|
||||
A.RandomResizedCrop(224, 224),
|
||||
A.HorizontalFlip(),
|
||||
A.ColorJitter(0.2, 0.2, 0.2, 0.1),
|
||||
A.RandomErasing(p=0.25),
|
||||
A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
|
||||
])
|
||||
```
|
||||
|
||||
### Test-Time Augmentation
|
||||
```python
|
||||
def tta_predict(model, image, n_aug=5):
|
||||
predictions = []
|
||||
for _ in range(n_aug):
|
||||
aug_img = random_augment(image)
|
||||
predictions.append(model(aug_img).softmax(-1))
|
||||
return torch.stack(predictions).mean(0)
|
||||
```
|
||||
|
||||
### Top-K accuracy
|
||||
```python
|
||||
def topk_accuracy(logits, labels, k=5):
|
||||
topk = logits.topk(k, dim=-1).indices
|
||||
correct = (topk == labels.unsqueeze(-1)).any(dim=-1).float().mean()
|
||||
return correct
|
||||
```
|
||||
|
||||
### Model card (best practice)
|
||||
```yaml
|
||||
model: my-classifier-v2
|
||||
backbone: vit_base_patch16_224
|
||||
training_data: ImageNet-1k + custom 100k
|
||||
classes: 1000
|
||||
augmentation: RandAugment + Mixup + CutMix
|
||||
ttest_top1: 84.5
|
||||
test_top5: 97.2
|
||||
calibration_ece: 0.034
|
||||
inference_ms_a100: 8
|
||||
```
|
||||
|
||||
### Modern recipe (DeiT, ViT)
|
||||
```python
|
||||
def modern_train_recipe():
|
||||
return {
|
||||
'optimizer': 'AdamW',
|
||||
'lr': 1e-3, 'wd': 0.05,
|
||||
'scheduler': 'cosine + warmup 5 epochs',
|
||||
'epochs': 300,
|
||||
'augmentation': 'RandAugment + Mixup 0.8 + CutMix 1.0',
|
||||
'label_smoothing': 0.1,
|
||||
'stochastic_depth': 0.1,
|
||||
'ema': True,
|
||||
}
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Model |
|
||||
|---|---|
|
||||
| Need pretrained | timm |
|
||||
| Best ImageNet | DeiT III / ViT-L |
|
||||
| Mobile | MobileNetV3 / EfficientNet-Lite |
|
||||
| Zero-shot | CLIP |
|
||||
| Self-supervised | DINOv2 |
|
||||
| Tiny | ResNet18 / EfficientNet-B0 |
|
||||
|
||||
**기본값**: 매 timm + 매 ViT-B/L pretrained + 매 modern recipe (RandAug + Mixup + CutMix + label smooth) + 매 TTA 의 critical eval.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Computer Vision|Computer-Vision]]
|
||||
- 변형: [[ResNet]] · [[ViT]] · [[EfficientNet]]
|
||||
- 응용: [[CLIP]] · [[Image-Segmentation]]
|
||||
- Adjacent: [[Foundation-Models]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 image task. 매 visual search. 매 medical.
|
||||
**언제 X**: 매 segmentation / detection (다른 task).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Train from scratch**: 매 timm pretrained 의 use.
|
||||
- **No augment**: 매 overfit.
|
||||
- **Top-1 only**: 매 also top-5 / calibration.
|
||||
- **No TTA at eval**: 매 lose 1-2%.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (timm, He ResNet 2015, Dosovitskiy ViT 2020, Oquab DINOv2 2023).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — 매 evolution + timm / CLIP / DINOv2 / Mixup / TTA code |
|
||||
Reference in New Issue
Block a user