OpenCV에서 DNN 모듈을 활용한 이미지 분류

OpenCV에서 DNN 모듈을 활용한 이미지 분류

1. 개요

딥러닝을 활용한 이미지 분류는 다양한 분야에서 널리 사용되고 있습니다. OpenCV는 cv2.dnn 모듈을 제공하여 딥러닝 기반의 이미지 분류 작업을 간단하게 수행할 수 있도록 지원합니다. 이 글에서는 OpenCV의 DNN 모듈을 활용하여 사전 훈련된 모델을 로드하고, 이미지 분류를 수행하는 방법을 설명하겠습니다.

2. OpenCV DNN 모듈 소개

OpenCV의 cv2.dnn 모듈은 딥러닝 모델을 로드하고 추론을 수행할 수 있는 기능을 제공합니다. Caffe, TensorFlow, ONNX, Darknet 등 여러 프레임워크에서 학습된 모델을 지원하며, 추가적인 딥러닝 프레임워크 없이도 빠르고 가벼운 실행이 가능합니다.

2.1 지원되는 모델 형식

• Caffe (.prototxt, .caffemodel)
• TensorFlow (.pb)
• ONNX (.onnx)
• Darknet (.cfg, .weights)

3. 사전 훈련된 모델을 이용한 이미지 분류

이번 실습에서는 OpenCV의 DNN 모듈을 활용하여 ImageNet 데이터셋으로 훈련된 ResNet-50 모델을 사용하여 이미지 분류를 수행하겠습니다.

3.1 필요한 라이브러리 설치

pip install opencv-python numpy

4. 예제 코드: OpenCV DNN을 활용한 이미지 분류

4.1 모델 다운로드 및 클래스 레이블 로드

먼저, ResNet-50 모델과 ImageNet 클래스 레이블을 다운로드합니다.

import cv2
import numpy as np

# 모델 및 클래스 레이블 파일 경로
MODEL_PATH = "resnet50.caffemodel"
PROTO_PATH = "resnet50.prototxt"
LABELS_PATH = "synset_words.txt"

# ImageNet 클래스 레이블 로드
with open(LABELS_PATH, "r") as f:
    class_labels = [line.strip().split(" ", 1)[1] for line in f.readlines()]

# DNN 모델 로드
net = cv2.dnn.readNetFromCaffe(PROTO_PATH, MODEL_PATH)

4.2 이미지 로드 및 전처리

이미지를 불러와 DNN 모듈에 입력할 수 있도록 변환합니다.

# 이미지 로드
image = cv2.imread("input.jpg")
(h, w) = image.shape[:2]

# 이미지 전처리
blob = cv2.dnn.blobFromImage(image, scalefactor=1.0, size=(224, 224), mean=(104, 117, 123))

# 모델 입력 설정
net.setInput(blob)

4.3 이미지 분류 수행

모델에 이미지를 입력하고 예측 결과를 확인합니다.

# 모델 실행 (추론)
out = net.forward()

# 상위 5개 클래스 예측 결과 출력
top_indices = out[0].argsort()[-5:][::-1]
for i in top_indices:
    print(f"{class_labels[i]}: {out[0][i] * 100:.2f}%")

5. 결과 및 분석

위 코드를 실행하면 입력된 이미지에 대한 상위 5개 예측 결과가 출력됩니다. 모델은 ImageNet 데이터셋에서 학습되었으므로 일반적인 사물 분류에 강점을 가지지만, 특정한 도메인(예: 의료, 교통)에서는 추가적인 미세 조정(Fine-tuning)이 필요할 수 있습니다.

6. 결론

OpenCV의 DNN 모듈을 활용하면 추가적인 딥러닝 프레임워크 없이도 사전 훈련된 모델을 쉽게 로드하고 이미지 분류를 수행할 수 있습니다. 다양한 모델을 OpenCV에서 사용할 수 있도록 변환하여 활용할 수도 있으며, 실시간 추론 성능을 높이기 위해 OpenVINO와 같은 최적화 기술과 함께 사용할 수도 있습니다.