🧠 EfficientNet: 정확도와 연산 효율의 균형을 맞춘 딥러닝 모델

📌 개요

EfficientNet은 2019년 Google Brain에서 발표된 이미지 분류 모델로,
“적은 파라미터로 더 높은 정확도를 내는 모델”을 목표로 설계되었습니다.

🎯 핵심 아이디어: 단순히 네트워크 깊이(depth)나 너비(width), 해상도(resolution)를 늘리는 것이 아니라,
**세 가지를 균형 있게 확장(compound scaling)**하는 방식으로 정확도와 연산량 사이의 trade-off를 최적화한다.

---

🔍 EfficientNet의 특징 요약

항목	설명
모델 이름	EfficientNet (B0 ~ B7)
발표연도	2019
제안 기관	Google Brain
기반 논문	EfficientNet: Rethinking Model Scaling for CNNs
주요 개념	Compound Scaling, MBConv, AutoML
장점	높은 정확도, 적은 파라미터, 연산 효율

---

🔧 핵심 구성 요소

1. 🧱 MBConv (Mobile Inverted Bottleneck Convolution)

• MobileNetV2에서 도입된 경량 컨볼루션 블록
• Depthwise Separable Convolution 기반 → 연산량 절감
• Inverted residual 구조 + SE(Squeeze-and-Excitation) 블록 내장

2. ⚙️ Compound Scaling

EfficientNet은 단일 요인을 키우는 대신, 세 가지를 함께 조정합니다:

요소	의미	효과
depth (d)	네트워크 깊이	더 복잡한 표현 학습
width (w)	채널 수	더 많은 정보 처리
resolution (r)	입력 이미지 해상도	더 정밀한 특징 감지

📐 수식:

• depth: d = α^ϕ
• width: w = β^ϕ
• resolution: r = γ^ϕ
  단, α * β² * γ² ≈ 2 → 연산량 2배 증가로 정확도 극대화

---

📊 EfficientNet 모델군 비교

모델	Top-1 Accuracy (ImageNet)	파라미터 수	FLOPs
B0	77.1%	5.3M	0.39B
B1	79.1%	7.8M	0.7B
B3	81.6%	12M	1.8B
B5	83.6%	30M	9.9B
B7	84.3%	66M	37B

B0은 기본 구조, 이후 버전은 Compound Scaling으로 확장
B7은 ImageNet 기준 가장 높은 정확도를 달성한 모델 중 하나

---

🚀 실습 예제 (PyTorch)

python

from torchvision.models import efficientnet_b0
import torch

model = efficientnet_b0(pretrained=True)
model.eval()

# 예시 입력
dummy_input = torch.randn(1, 3, 224, 224)
output = model(dummy_input)

• PyTorch 및 torchvision.models에서 B0~B7 모델 지원
• Keras에서는 tf.keras.applications.EfficientNetB0~B7로 사용 가능

---

💡 EfficientNet의 장점

장점	설명
✅ 연산 효율	적은 FLOPs로 높은 정확도 확보
✅ 경량 모델	모바일/Edge 환경에서 적합 (특히 B0~B2)
✅ 확장 가능	Compound Scaling으로 다양한 환경에 맞게 조정
✅ SOTA 기록	공개 당시 ImageNet 정확도 1위 달성

---

⚠️ 단점 및 한계

항목	설명
❗ 학습 시간	Compound 구조로 인해 초기 학습 비용 높음
❗ 구조 복잡성	구조 커스터마이징이 어렵고, 이해가 다소 복잡
❗ 최신 모델과의 경쟁	ConvNeXt, ViT 등의 트랜스포머 기반 모델 등장 이후엔 우위 축소

---

🧪 활용 사례

분야	활용 예시
의료 영상 분석	폐 CT/심장 초음파 이미지 분류
자동 품질 검사	제조 공정에서 결함 탐지
리테일 분석	상품 이미지 분류, 인벤토리 추적
모바일앱	사진 태그 자동 분류, AR 필터 적용

---

🧬 파생 모델: EfficientNetV2

• 2021년 Google에서 발표한 후속 모델
• Fused-MBConv 블록 도입
• 더 빠른 학습, 적은 메모리 사용
• EfficientNetV2-S, M, L, XL 모델 구성

---

✅ 결론

EfficientNet은 “최적의 균형”을 추구하는 비전 모델의 대표주자입니다.

• 높은 정확도와 효율을 동시에 추구하는 프로젝트에 매우 적합
• 연구 및 실무, 모바일과 서버 환경 모두 대응 가능
• 최신 EfficientNetV2, MobileNetV3, ConvNeXt 등과 비교도 고려하면 좋음

📌 “적은 비용으로 높은 성능을 원한다면, EfficientNet은 여전히 훌륭한 선택입니다.”