5. 학습 모델
(1) 음식이미지 학습
학습 모델 후보 
  ㅇ 음식 이미지 인식을 위해 신규 음식 204종의 이미지 537,209장을 YOLOv5l 모델을 사용하여 학습함
ㅇ 음식 이미지 인식 성능은 수행계획서의 성능 목표 mAP@0.5 80%를 상회한 mAP@0.5 86.5% 달성

1) YOLOv5 소개
ㅇ YOLOv5는 현재 object detection 분야에서 가장 많이 이용되고 있는 모델
ㅇ trade-off 관계인 인식 성능과 인식 속도를 합리적인 수준에서 만족시키는 모델
ㅇ 모델의 크기에 따라서 YOLOv5s(small), YOLOv5m(medium), YOLOv5l(large),  YOLOv5x(xlarge)의 4가지 모델이 있음. s는 인식 성능이 제일 낮지만 초당 처리 프레임 (Frames Per Second: FPS)이 가장 높고, x는 인식 성능이 제일 높지만, FPS가 가장 낮음
ㅇ 이번 과제에서는 속도보다는 성능을 고려하여 YOLOv5l (large) 모델을 사용
ㅇ 학습 방법
  - YOLOv5의 손실 함수는 다음과 같이 3가지 손실 함수의 조합으로 구성
       ·Classes loss: Lcls
       ·Objectness loss: Lobj
       ·Location loss: Lloc

  - YOLOv5의 손실함수를 Stochastic Gradient Descent Optimizer를 사용하여 최소화하는 방식으로 학습 진행
   ㅇ Evaluation Metric
     - 수행계획서의 성능 목표 mAP@0.5 80%를 상회한 mAP@0.5 86.5% 달성
(2) 임상 혈당 예측 학습
1) PyCaret 소개
  ㅇ PyCaret은 기존에 있던 Scikit-learn, XGBoost, LightGBM, spaCy 등 여러가지 머신러닝 라이브러리를 High-Level API로 제작한 라이브러리
  ㅇ Open source, low-code machine learning 라이브러리
  ㅇ 데이터 생성, 모델 생성 및 비교, 모델 최적화, 학습된 모델 분석의 기계학습 전단계에 대한 라이브러리를 제공하여 신속하고 간단하게 AI 모델 구축
             
2) 혈당 예측을 위한 학습
  ㅇ 모델 아키텍쳐
   - PyCaret 라이브러리에서 제공하는 Gradient Boost 기반의 회귀 모델과 Decision Tree, Random Forest, Extree Trees 등의 의사 결정 나무(Decision Tree) 계열의 모델의 정확도(MAPE) 비교
   - MAPE 상위 5종 모델 선정 후, 모델 5종을 blend, tuning, finalize 하여 최종 모델 구성

  ㅇ 모델 입력
   - 혈당 예측을 위해 혈액 검사 데이터, 신체 계측 데이터, 식사시 섭취한 영양 데이터, 수면 데이터, 신체 활동 데이터 및 혈당 측정 일시와 혈당 데이터를 입력
   - 이 외에도 식전 3, 6, 9, 12시간 이내 탄수화물 섭취량, 식전 2, 3, 6, 9, 12시간 이내 섭취 열량, 식전 12, 24시간 이내 식이 섬유 섭취량 등 기초 데이터로부터 생성 가능한 데이터들을 추가로 생성하여 입력
   - 현재 학습을 위해 사용한 feature는 총 95개로 임상 대상자 별로 약 4건/시간 * 24시간 * 14일 = 1,300 여건의 혈당 측정 데이터 생성

 1.원천 데이터 규모
ㅇ 원천데이터는 수집한 원시데이터를 정제하며 식품 분류 체계에 맞도록 파일 및 폴더 구조를 갖도록 함
● 원천데이터 포맷
- 포맷 : JPG, PNG
- 최저 해상도 : 640x640 이상
- 컬러심도 : 8bit 이상 컬러 이미지
- 음식 정보 : 음식명
● 원천데이터 규모 : 음식 200여종 이상, 50만장 이상 
● 원천데이터 작업 종류
- 중복, 오류 제거
- 비식별화, 원천데이터 규모를 산정하여 작성
ㅇ 원천데이터는 수집한 원시데이터를 정제하고 임상 데이터 통합 프로그램을 활용해 통합 데이터를 획득함 
● 원천데이터 포맷
- 포맷 : csv, xlsx 형태
2.어노테이션 포맷 설명 

1)음식 이미지 라벨

2)메타 데이터 라벨

3) 임상 데이터 라벨

3.데이터 구성

1) 음식 이미지 데이터

- 당뇨앱에 활용할 것을 고려하여, 한국인이 많이 소비하는 음식 중심으로 데이터를 수집하기 위하여 ‘17년 ~ ’20년의 4년간 실시된 ‘국민건강영양조사’의 식품리스트에 있는 200만 종의 음식을 대상으로 하여, 총 조사 대상 약 3만 명을 기준으로 0.1%에 해당하는 인원이 섭취한 음식 종류를 선별함 
- 이 과정에서 약 1,000종의 음식 종류가 선별되었고, 기존 AI Hub 음식이미지에 있는 500여 종을 제외하여 기존 데이터와 중복되지 않는 500여 종을 수집 대상 음식으로 선정함 
- 실생활 활용도에 따라 29개 대분류로 구분(식품분류체계 적용)하고 음식 종류와 특성에 
  따라 세분화하여 데이터 관리하여 편항성을 극복함
- 음식 이미지를 촬영하여 제공하는 크라우드 워커 대상으로 AI Hub 웹사이트에 올리고 
  활용될 수 있도록 전원에게 ‘저작물 활용 동의서’를 수령하여 저작권 관련 문제를 해소함

2) 음식 이미지 획득 절차 

음식 이미지는 하기 표와 같이 크게 세 가지 경로를 통해 획득하였다. 

3) 이미지 검수 
ㅇ 촬영된 이미지는 1) Visipics를 통한 기존 데이터베이스에 있는 이미지와의 중복 여부 검토 2) 작업자 직접 육안 검사를 통한 촬영기준 부합 여부 검토로 적/부 판정을 내린 후 
   최종적으로 사용여부를 결정하여 적정성을 확보하였다.