마스크 착용 여부 자동 분류

감염병이 번질 때 병원이나 학교 입구에서는 마스크 착용을 사람이 서서 확인한다. 사람이 계속 붙어 있어야 하고, 사람이 지쳐 있거나 줄이 길면 그냥 지나치기도 한다. 확인하는 사람과 확인받는 사람 사이에 실랑이가 생기기도 한다.

그래서 카메라에 비친 얼굴 사진을 넣으면 마스크를 썼는지 안 썼는지를 알려 주는 모델을 만들고자 한다. 사람 대신 막아 세우려는 것이 아니라, 화면에 표시해 스스로 확인하게 하는 용도다.

• ■ 입력: 얼굴이 담긴 사진 한 장 (웹캠 화면, 224×224 픽셀로 줄여서 씀)
• ■ 출력: 두 클래스의 확률 — 착용 몇 %, 미착용 몇 % (합이 100%)

모델이 내놓는 것은 「착용」이라는 말이 아니라 두 개의 확률이다. 화면에 「착용」이라고 띄우는 것은 둘 중 큰 쪽을 골라 보여 주기로 사람이 정한 것이다. 이 구별을 해 두면 「맞히긴 했는데 61%였다」 같은 결과를 제대로 읽을 수 있다.

① 기계학습 유형: 지도학습 — 분류 (이미지 분류)

사진마다 「착용」 또는 「미착용」이라는 이름을 내가 붙여서 학습시킨다. 정답이 붙어 있으므로 지도학습이다. 그리고 내놓아야 할 답이 두 개의 범주이므로, 수치를 맞히는 예측이 아니라 범주 하나를 집는 분류를 쓴다.

다른 방법이 아닌 이유: 예측(회귀)로 하면 「착용 정도 0.7」 같은 숫자가 나오는데, 입구에서 필요한 답은 썼는지 안 썼는지이지 정도가 아니다. 군집은 정답을 쓰지 않고 비슷한 사진끼리 묶는 방법이라, 어느 묶음이 착용인지를 모델이 알려 주지 못한다.

② 구현 도구: 티처블머신

사진을 다루는 도구가 필요한데, 티처블머신은 웹캠으로 찍으면서 바로 클래스에 넣을 수 있고 학습이 끝나면 그 자리에서 웹캠으로 확인할 수 있다. 확률 막대가 실시간으로 움직이므로 어떤 상황에서 모델이 흔들리는지 눈으로 보인다. 문항 6의 테스트는 이 막대를 보며 진행했다. 오렌지는 표 데이터를 다루는 도구라 사진에는 맞지 않고, 코랩은 같은 일을 할 수 있지만 코드를 직접 써야 해서 이번 목적에는 과하다.

• • 출처: 티처블머신 웹캠으로 직접 촬영 (전부 내 얼굴 한 사람)
• • 유형: 이미지 데이터 (224×224 픽셀)
• • 수량: 클래스별 80장 / 총 160장
• • 클래스 1 — 착용(80장): 코와 입을 모두 덮어 쓴 상태
• • 클래스 2 — 미착용(80장): 마스크 없이 얼굴이 드러난 상태
• • 다양하게 만든 것: 조명 3가지(밝음·보통·어두움), 얼굴 각도 3가지(정면·좌 45°·우 45°), 마스크 색 3가지
• • 다양하게 만들지 못한 것: 얼굴은 한 사람뿐이다. 이것이 이 데이터의 가장 큰 한계다.

실제 수행평가 때는 여기에 티처블머신 클래스별 이미지 업로드 화면 스크린샷을 붙입니다.

• 학습 설정: Epochs 50 / 배치 크기 16 / 학습률 0.001 (티처블머신 기본값 그대로)
• 160장 중 20%인 32장을 시험용으로 떼어 놓고 나머지로 학습했다.
• 시험 결과: 32장 중 31장 정답 — 정확도 96.9% (착용 16장 전부 정답, 미착용 16장 중 15장 정답)
• 학습이 진행될수록 손실이 줄어들어 안정적으로 끝났다.
• 다만 이 32장도 전부 내 얼굴이다. 그러므로 96.9%는 「내 얼굴을, 내가 찍은 조명과 각도에서 알아보는 정확도」다. 다른 사람에 대한 정확도는 이 숫자로 알 수 없다.

실제 수행평가 때는 여기에 티처블머신 학습 완료 화면(정확도·손실 그래프) 스크린샷을 붙입니다.

■ 테스트 1 — 학습한 상황 (내 얼굴, 정상 착용)

• 예상: 착용으로 분류 — 실제 출력: 착용 98% / 미착용 2%
• 예상대로 맞았고, 확신도 컸다.

■ 테스트 2 — 학습에 없던 상황 (마스크를 턱에 걸침)

• 예상: 코와 입이 드러났으니 미착용으로 나오기를 기대했다.
• 실제 출력: 착용 61% / 미착용 39% → 화면에는 「착용」
• 예상과 반대로 나왔다.

■ 테스트 3 — 학습에 없던 사람 (다른 사람이 정상 착용)

• 예상: 정상 착용이니 테스트 1처럼 높은 확률로 착용이 나오기를 기대했다.
• 실제 출력: 착용 54% / 미착용 46% → 화면에는 「착용」
• 맞히기는 했지만 거의 찍은 것에 가깝다. 조명이 조금만 달라도 뒤집힐 자리다.

■ 분석

두 실패의 원인이 서로 다르다.

테스트 2는 클래스를 둘로 나눈 것이 원인이다. 턱에 걸친 상태는 착용도 미착용도 아닌데, 모델에게는 그 둘밖에 없다. 없는 답은 고를 수 없으므로 모델은 둘 중 덜 어색한 쪽을 골랐다. 마스크가 화면에 보인다는 점에서 착용 쪽에 가깝게 판단한 것으로 보인다.

테스트 3은 학습 데이터에 사람이 하나뿐이었던 것이 원인이다. 모델은 「마스크가 있느냐」만 배운 것이 아니라 「내 얼굴에 마스크가 있느냐」를 함께 배웠다. 얼굴이 바뀌자 근거의 절반이 사라진 셈이다.

정확도 96.9%는 두 실패를 하나도 예고하지 못했다. 시험용 32장이 학습 사진과 같은 곳에서 나왔기 때문이다. 모델을 쓸 곳과 닮은 데이터로 시험해 보기 전까지, 높은 점수는 아직 아무 약속도 아니다.

사진 160장을 찍고 버튼 하나를 누르니 모델이 만들어지는 것이 신기했다. 코드를 한 줄도 쓰지 않았는데 웹캠 앞에서 확률 막대가 실시간으로 움직였다.

96.9%가 나왔을 때는 다 됐다고 생각했다. 그런데 마스크를 턱에 내렸더니 「착용 61%」가 떴고, 친구에게 부탁해 보니 54%밖에 나오지 않았다. 두 번 다 화면에는 똑같이 「착용」이라고만 떴다는 것이 가장 무서웠다. 모델은 헷갈릴 때도 헷갈린다고 말해 주지 않는다.

돌이켜 보니 96.9%는 내 얼굴을 알아보는 점수였다. 시험용으로 떼어 둔 32장도 결국 내가 같은 방에서 찍은 사진이었다. 어떤 데이터로 평가했는지를 모르면 점수는 아무 뜻이 없다는 걸 이번에 배웠다.

얼굴을 다루는 모델이라 마음에 걸리는 것도 있었다. 친구 얼굴을 찍을 때 먼저 물어봐야 했고, 실습이 끝나고 지웠다. 잘 만들려면 더 많은 얼굴이 필요한데 그게 조심스럽다는 것이 쉽게 풀리지 않는 문제라고 느꼈다.