[Open CV] 머신러닝 _ OpenCV SVM 사용하기

 

이번에는 OpenCV에서 SVM 알고리즘을 사용하는 방법에 대해서 알아본다.

 

SVM 알고리즘을 사용하기 위해서는 SVM 객체를 먼저 생성해줘야한다.

 

SVM 객체 생성

cv2.ml.SVM_create() -> retval

 - retval : cv2.ml_SVM 객체

 

SVM 타입 지정

cv2.ml_SVM.setType ( type ) -> None

 - type : SVM 종류 지정. cv2.ml.SVM_으로 시작하는 상수.

 

SVM 커널 지정

cv2.ml_SVM.setKernel ( kernelType ) -> None

 - kernelType : 커널 함수 종류 지정. cv2.ml.SVM_으로 시작하는 상수

 

참조 : OpenCV: cv::ml::SVM Class Reference

커널 타입에 관한 이미지를 OpenCV Documents에 들어가서 살펴보면

위와같은 이미지를 얻을 수 있는 것이 커널 타입이라고 설명되어있다.

보통 타입으로 C-SVC 와 Linear가 아닌 형태로는 RBF 타입을 많이 선호한다.

 

그러면 위에서 나온 C라는 값과 Gamma라는 값 ( 파라메타 ) 들을 잘 입력해줘야만

SVM 알고리즘이 데이터들을 잘 구분해준다.

그렇다는 말은 위 파라메타값들을 잘못주면 구분이 어렵다는 말과 같다.

그러면 위 인자들을 어떻게 줘야할지 데이터가 워낙 방대해서 잘 구분할 수 없기때문에

OpenCV에서는 trainAuto 라는 자동학습 함수를 제공해준다.

 

---

SVM 자동 학습 ( k-폴드 교차 검증 )

cv2.ml_SVM.trainAuto ( samples , layout, responses, kFold = None, ... ) -> retval

 - samples : 학습 데이터 행렬. numpy.ndarray.shape = ( N,d ), dtype = numpy.float32.

 - layout : 학습 데이터 배치 방법. cv2.ROW_SAMPLE 또는 cv2.COL_SAMPLE.

 - responses : 각 합습 데이터에 대응되는 응답 ( 레이블 ) 벡터. numpy.ndarray.
                       shape = (N, ) 또는 ( N,1). dtype = numpy.int32 또는 numpy.float32.

 - kFold : 교차 검증을 위한 부분 집합 개수

 - retval : 학습이 정상적으로 완료되면 True.

 * 위 samples layout responses 라는 인자들은 이 전 Statemodel이라는 함수에서 사용됐었던 인자이기 때문에
   참고해서 사용하면 된다.

 * 위에 나와있는 ... 의 인자는 C, Gamma, Degree 등등의 인자들의 범위를 설정해주는 파라메타들인데
   보통 Default 로 설정되어 있는 기본범위 내부에서 설정이 된다.
   따라서 보통의 경우에 위 3가지의 인자만 지정해주면 된다.

 * 따라서 위 함수를 사용하게되면 C값과 Gamma 값 Degree값 등등이 자동으로 설정되게 되기때문에 편하게
   사용할 수 있는데 위 범위 값 내부에 있는 경우를 모두 Training 해보기 때문에 기본적으로 실행속도가 느리다는
   단점이 있다.

 * 그래서 권장되는 방법은 가지고있는 데이터에서 몇개만 랜덤하게 추출해서 그걸 사용해서 TrainAuto로 학습을 시켜보고
   나온 C값과 Gamma 값을 이용해서 Train 함수를 사용하여 학습시키는 것을 권장한다.

---

 

---

실제 코딩 결과

 

위 코드를 보게되면 8개의 좌표로 이루어진 array 가 있는데 이를 

앞4개는 0번클래스 뒤 4개는 1번클래스로 지정해준다.

 

이후 TainAuto 함수를 사용해서 C값과 Gamma 값을 리턴 받는다.

그리고 zeros 이미지 윈도우를 하나 생성하여 Width 와 Height 에 대한 Test 샘플을 만든다.

그리고 test를 svm.predict 함수에 입력시켜준다.

 

그러면 ret 변수에 res [ 0,0 ] 즉, 해당 샘플이 몇번 클래스인지를 분류해준다.

그러면 나온 결과들을 사용하여 빨간색, 초록색으로 해당 이미지의 픽셀들이 구분된다.

그리고 학습에 사용된 데이터들은 작은 원의 형태로 표시하도록 했다.

 

SVM_LINEAR 알고리즘 분류결과 _ C: 0.1

 

 

그럼 이번에는 RBF 라는 알고리즘을 사용해서 분류해본다.

SVM_RBF 알고리즘 분류결과 _ C : 2.5

 

따라서 지금 사용하고있는 C값과 Gamma 값을 사용하게되면 분류가 잘 되는 것을 볼 수 있는데 

아까 말했었던 것 처럼 Training 하여 나온 C값과 Gamma 값을 사용하여 SetGmma, SetC 함수를 사용하면

더 빠른 속도로 동작하는 것을 볼 수 있다.

 

 

이렇게 C값과 Gamma 값을 지정하게 되면 TrainAuto가 아닌 train 함수를 사용해서 학습시킬 수 있다.

지금은 8개의점으로 학습시키고있어 속도의 체감은 없지만 실제 많은 데이터들을 기반으로 사용하게 되면

Auto와 차이가 크다고 한다.