AI 모델
iPetPal은 AI Hub의 데이터셋으로 학습된, 특정 작업에 최적화된 여러 딥러닝 모델을 활용합니다.
모델 성능 요약
Section titled “모델 성능 요약”| 작업 | 모델 아키텍처 | 정확도 | 비고 |
|---|---|---|---|
| 부위 분류 (눈 vs 피부) | ResNet18 | 99% | 신체 부위 구분에 매우 정확함. |
| 안구 질환 유무 (정상 vs 비정상) | ResNet50 | 97% | 잠재적인 눈 문제를 식별하는 데 효과적. |
| 피부 질환 유무 (정상 vs 비정상) | EfficientNet_b0 | 78% | 피부 이상 징후 감지. |
| 안구 질환 분류 (특정 질병) | ResNet50 | 91% | 특정 안구 질환 분류. |
| 피부 질환 분류 (특정 질병) | EfficientNet_b0 | 88% | 특정 피부 질환 분류. |
상세 모델 정보
Section titled “상세 모델 정보”1. 부위 분류 모델
Section titled “1. 부위 분류 모델”- 목표: 눈 이미지와 피부 이미지 구분.
- 아키텍처: ResNet18.
- 성능: 정확도 99%.
- 사용: 이미지를 올바른 진단 파이프라인으로 라우팅하기 위해 온디바이스에서 실행됩니다.
2. 안구 질환 모델
Section titled “2. 안구 질환 모델”- 이진 분류: 눈이 건강한지 질병이 있는지 판단.
- 아키텍처: ResNet50.
- 정확도: 97%.
- 다중 클래스 분류: 다음과 같은 특정 질병 식별:
- 결막염
- 백내장
- 궤양성각막질환
- 기타
- 아키텍처: ResNet50.
- 정확도: 91%.
3. 피부 질환 모델
Section titled “3. 피부 질환 모델”- 이진 분류: 피부가 건강한지 질병이 있는지 판단.
- 아키텍처: EfficientNet_b0.
- 정확도: 78%.
- 다중 클래스 분류: 특정 피부 상태 식별.
- 아키텍처: EfficientNet_b0.
- 정확도: 88%.
학습 및 최적화
Section titled “학습 및 최적화”- 데이터 소스: AI Hub 반려동물 피부/안구 질환 데이터셋.
- 과제: 데이터 불균형, 특정 클래스에 대한 과적합.
- 기법: 성능 향상을 위해 데이터 증강(Data Augmentation), 전이 학습(Transfer Learning), 하이퍼파라미터 튜닝이 사용되었습니다.