[TFLite] 텐서플로 라이트 모델 개발 워크플로

텐서플로 모델 개발 워크플로

텐서플로를 이용하여 개발한 모델을 안드로이드에서 활용하려면 텐서플로 라이트 모델로 변환하여 배포해야 합니다. 모델 전체를 직접 개발할 필요는 없으며, 사전 학습된 다양한 모델을 이용하면 생산성을 높일 수 있습니다.

텐서플로 라이트 모델 개발 워크플로는 모델 선택 ➡ 모델 변환 ➡ 기기 배포 ➡ 모델 최적화 순으로 진행됩니다.

모델 선택

---

해결하고자 하는 문제나 개발하고자 하는 서비스 등에 적합한 모델을 선택해야 합니다.

모델은 텐서플로를 이용하여 직접 개발할 수도 있고, 이미 개발된 모델을 사용할 수도 있습니다. 모델 개발에는 텐서플로를 이용하고 모델 변환 및 최적화에는 텐서플로 라이트를 이용합니다. 또한 이미 개발된 모델을 텐서플로나 텐서플로 허브에서 찾아볼 수 있습니다.

모델 변환

---

개발한 모델은 텐서플로 라이트 모델로 변환해야 합니다.

텐서플로 라이트는 모델을 저장할 때 .tflite 라는 별도의 포맷을 사용합니다. 텐서플로 모델을 tflite로 변환하는 과정에서 자동으로 최적화를 하는데, 이 때 정확도 손실을 최소한으로 하면서 모델의 크기를 줄입니다.

Tensorflow Lite Converter에 의해 변환이 완료되면 tflite 파일이 생성되고, 이를 안드로이드 프로젝트에 배포하여 사용합니다.

기기 배포

---

기기 배포는 tflite 파일을 안드로이드 스튜디오의 프로젝트에 배포하고, 이를 이용하여 안드로이드 앱을 만들어 기기에 배포하는 프로세스입니다.

앱에서 모델을 활용하기 위해서는 간단히 앱 개발 단계에서 안드로이드 스튜디오에 모델을 포함하기만 하면 됩니다.

네트워킹 기능을 이용해 실행 시간에 기기에 모델을 배포할 수도 있지만, 이는 백엔드 구현이 필요합니다.

모델 최적화

---

모델 최적화는 모델이 안드로이드 기기에서 최적의 성능을 발휘하도록 튜닝하는 프로세스입니다.

최적화를 거치면 모델의 정확도 손실을 최소화하면서 모델의 크기를 줄일 수 있는데, 정확도 손실과 크기 간에 균형을 잘 맞춰야 합니다.

최적화는 모델 변환 단계에서 텐서플로 라이트가 자동으로 수행해주지만, 실행 속도나 정확도를 더욱 개선하기 위해 직접 최적화를 할 수도 있습니다. 모델을 기기에 배포한 뒤 성능을 측정하고, 이를 바탕으로 모델을 다시 최적화하고 변환하여 기기에 배포하는 과정의 반복을 통해 점진적으로 최적의 모델로 발전시킬 수 있습니다.

다음 포스팅에서 각 모델의 선택과 개발 과정에 대해 살펴보겠습니다.