핵심 요약
학습 데이터가 다르면 기준이 다릅니다
어떤 사진을 무엇으로 이름 붙여 학습시켰는지가 다르면 같은 얼굴도 다르게 분류됩니다.
확률은 닮은 정도가 아닙니다
표시되는 퍼센트는 학습된 항목들 사이의 상대적 비중이며, 전부 더하면 100%가 됩니다.
여러 번 찍어 겹치는 상위 2개가 실질적인 답
한 장의 1순위보다, 조건을 바꿔 여러 번 찍었을 때 반복해서 나오는 항목이 더 안정적입니다.
1. 학습 데이터가 다르면 분류 기준도 다릅니다
이미지 분류 모델은 규칙을 사람이 정해 주는 것이 아니라, 예시를 보고 스스로 경계를 만듭니다. 그래서 어떤 예시를 보여 줬는지가 결과를 좌우합니다.
- 같은 "고양이상"이라도 서비스마다 예시로 넣은 사진이 다릅니다. 눈매를 중심으로 모았는지, 얼굴형을 중심으로 모았는지에 따라 경계가 달라집니다.
- 데이터 수가 적은 항목은 경계가 흐릿합니다. 어떤 동물상이 유난히 잘 안 나온다면 학습 사진이 적었을 가능성이 큽니다.
- 학습 데이터의 인구 구성도 영향을 줍니다. 특정 연령대나 성별 사진이 많으면 그 범위 밖에서는 정확도가 떨어집니다.
이 서비스가 성별을 먼저 고르게 하는 것도 같은 이유입니다. 하나의 모델로 전부 처리하는 것보다, 성별별로 나눠 학습한 모델을 쓰는 편이 경계가 선명해집니다.
2. 고를 수 있는 항목의 수가 다릅니다
분류 모델은 학습하지 않은 항목을 절대 답으로 내놓지 못합니다. 이 제약이 앱 간 차이를 만드는 큰 원인입니다.
항목 수가 다르면 확률이 흩어집니다
8개 중에서 고르는 모델과 17개 중에서 고르는 모델은 같은 얼굴이라도 확률 분포가 다릅니다. 항목이 많을수록 1순위 확률이 낮게 나오는 경향이 있는데, 이는 정확도가 낮아서가 아니라 나눠 가질 곳이 많아서입니다.
없는 항목은 가장 가까운 것으로 흡수됩니다
학습에 없는 유형의 얼굴이 들어오면 모델은 "모르겠다"고 답하지 않고, 학습한 것 중 가장 가까운 항목을 고릅니다. 결과가 어색하게 느껴지는 경우 대부분이 여기에 해당합니다.
3. 표시되는 확률은 '닮은 정도'가 아닙니다
이 부분이 가장 오해가 많습니다. 82%라는 숫자는 82만큼 닮았다는 뜻이 아닙니다.
- 분류 모델은 각 항목에 대한 점수를 낸 뒤, 그 점수들을 합이 100%가 되도록 변환해 보여 줍니다. 즉 항목들 사이의 상대적 비중입니다.
- 그래서 학습된 항목 어느 것과도 안 닮은 얼굴이 들어와도, 확률의 합은 여전히 100%가 됩니다. 어딘가에는 반드시 배분됩니다.
- 1순위와 2순위가 40%와 35%처럼 가까우면 "둘 중 하나"가 아니라 "둘의 중간"에 가깝다는 뜻으로 읽는 편이 정확합니다.
- 반대로 1순위가 85% 이상으로 크게 벌어지면, 그 얼굴이 해당 항목의 학습 예시와 뚜렷하게 비슷하다는 신호입니다.
4. 같은 앱에서도 사진에 따라 달라집니다
앱을 바꾸지 않아도 결과는 흔들립니다. 입력이 달라지면 추출되는 특징이 달라지기 때문입니다.
| 조건 | 결과에 미치는 영향 | 권장 |
|---|---|---|
| 카메라와의 거리 | 가까울수록 중앙부가 확대되어 이목구비 비율이 왜곡됨 | 팔을 뻗은 거리보다 조금 더 떨어뜨리기 |
| 조명 방향 | 위에서 오는 빛은 그림자를 만들어 얼굴형 인식을 바꿈 | 정면에서 고르게 들어오는 빛 |
| 표정 | 입꼬리와 눈매 변화가 분류에 직접 반영됨 | 무표정에 가깝게 |
| 안경 · 마스크 | 가려진 부위의 특징을 쓸 수 없게 됨 | 가능하면 제거 |
| 고개 각도 | 좌우로 돌아가면 비대칭 특징이 강조됨 | 정면 유지 |
| 이미지 해상도 | 지나치게 작으면 세부 특징이 사라짐 | 얼굴이 화면의 절반 이상 차지하도록 |
그래서 결과를 어떻게 읽으면 되나
정답을 찾으려 하기보다, 안정적으로 반복되는 경향을 보는 편이 이 도구의 성격에 맞습니다.
- 조건을 바꿔 서너 장을 넣어 보세요. 매번 상위 2개 안에 들어오는 항목이 있다면 그것이 실질적인 결과입니다.
- 한 번만 찍고 나온 1순위는 그날 사진 조건의 결과일 가능성이 있습니다.
- 앱마다 결과가 다르면 어느 쪽을 고를 게 아니라, 두 결과에 공통으로 나온 항목을 보세요.
- 확률 숫자는 순위를 읽는 참고값 정도로 쓰고, 절대적인 유사도로 받아들이지 않는 편이 좋습니다.
분류 모델은 "당신이 무엇인가"를 답하지 않습니다. "내가 배운 것들 중 어느 쪽에 가장 가까운가"를 답할 뿐입니다.
자주 묻는 질문
그럼 결과는 아무 의미가 없나요?
그렇지는 않습니다. 조건을 바꿔 여러 번 시도해도 같은 항목이 반복해서 나온다면, 그 얼굴이 해당 유형의 특징을 실제로 가지고 있다는 뜻입니다. 다만 한 장의 결과를 확정적인 판정으로 받아들이지 않는 것이 중요합니다.
왜 확률이 100%가 안 나오나요?
학습된 여러 항목에 점수가 나눠 배분되기 때문입니다. 사람의 얼굴은 한 가지 유형에만 딱 들어맞는 경우가 드물어서, 대개 두세 항목에 걸쳐 분포합니다. 오히려 100%에 가까운 결과가 나오면 사진 조건이 특정 방향으로 치우쳤을 가능성을 의심해 볼 만합니다.
같은 사진을 다시 넣으면 항상 같은 결과가 나오나요?
같은 모델에 완전히 동일한 이미지를 넣으면 결과도 같습니다. 결과가 달라졌다면 사진이 바뀌었거나(자동 보정, 크기 조정 등) 모델이 업데이트된 경우입니다.
정확도가 더 높은 모델을 쓰면 앱 간 차이가 없어지나요?
줄어들 수는 있지만 사라지지는 않습니다. 항목 구성과 학습 데이터가 다르면 기준 자체가 다르기 때문입니다. 동물상처럼 정답이 정해져 있지 않은 분류에서는 특히 그렇습니다.