[Model Study] MobileNet

📌 MobileNet이란?

 

• 컴퓨터 비전 작업을 위한 경량화된 신경망 아키텍쳐이다.
• 모바일 및 임베디드 장치에서 실시간 이미지 인식 및 처리와 같은 작업에 사용하기에 적합한 모델로 개발되었다.
• 모바일 기기에서 돌아갈 수 있을 만큼 경량한 구조를 설계하는데 집중했다.

 

📌 특징

 

• 경량화 디자인

작은 모델 크기와 낮은 계산 비용을 가지고 있어, 리소스가 제한된 환경에서도 효과적으로 동작할 수 있다. 주로 모바일 기기, 드론, 로봇 및 기타 임베디드 시스템에서 유용하게 활용한다.

 

• Depthwise Separable Convolution

이 레이어를 사용하여 모델의 효율성을 극대화한다. 이러한 레이어는 컨볼루션 연산을 두 단계로 분리하여 연산량을 크게 줄여준다.

 

• 다양한 버전

여러가지 버전과 크기를 제공하며, 필요에 따라 모델의 복잡성과 정확도를 조절할 수 있다.

 

 

📌 이점

 

• 파라미터 공유

Depthwise Convolution 단계에서 각 입력 채널에 대해 동일한 필터가 공유되므로 파라미터 수가 크게 감소한다.

 

• 계산 효율성

각 채널에 대한 컨볼루션은 병렬로 수행될 수 있으므로 계산 효율성이 향상된다.

 

• 모델 경량화

모델의 크기와 메모리 요구량을 줄일 수 있다.

 

---

✅ Depthwise Separable Convolution

모델의 파라미터 수와 연산량을 크게 줄여 모델을 경량화하고 더 효율적으로 만들어주는 기술이다.

 

크게 두 가지 단계로 나뉜다.

 

• Depthwise Convolution

• 입력 이미지의 각 채널별로 개별적으로 컨볼루션을 수행한다. 이를 통해 입력 채널의 수를 줄이지 않고 특징을 추출한다.
• 각 입력 채널에 대해 컨볼루션 필터(커널)를 따로 적용하므로, 계산량이 크게 감소한다.
• 출력은 여전히 다수의 채널로 구성된다.

• Pointwise Convolution (1x1 Convolution)

• Depthwise Convolution 을 거친 출력 채널들을 1x1 컨볼루션(포인트 컨볼루션)을 통해 조합하고 결합한다.
• 이로써 출력 채널 수를 조절하고 다양한 특징을 학습한다.
• 1x1 컨볼루션은 모델의 깊이를 조절할 수 있어 모델의 복잡도를 조절할 수 있다.