MobileAgeNet: 모바일·엣지 환경을 목표로 설계된 경량 얼굴 연령 추정 모델과 배포 파이프라인

작성자는 작업 결과와 arXiv 논문 링크를 공유하면서 커뮤니티로부터 아키텍처 비교, 추가 데이터셋 평가, 인구통계적 강건성 개선 방안을 묻고 있다. 게시물 자체에는 댓글 내용이 포함되어 있지 않아 실제 커뮤니티 반응은 원문 내에서 확인할 수 없다. 현재로서는 기술적 수치와 재현 가능한 파이프라인을 제시한 점이 토론을 유발할 만한 충분한 근거를 제공하고 있으며, 구체적 피드백은 댓글이 수집된 이후에 더 상세하게 확인되어야 한다.

• 온디바이스 지연시간과 모델 크기를 함께 줄이려면 MobileNetV3-Large 백본을 기반으로 더 낮은 채널 폭 또는 depthwise 연산 비중을 높이는 구조적 축소를 고려할 수 있다. 변환 과정에서 ONNX→TFLite 경로를 택할 경우 양자화 전에 변환 전후 정확도 차이를 측정하고 필요시 정밀도 유지용의 양자화 인식 훈련(quantization-aware training)을 적용하는 것이 바람직하다. 또한 하이퍼파라미터 탐색 결과를 재현 가능한 스터디로 저장하여 다른 조건에서 동일한 성능을 재현할 수 있도록 해야 실무 배포에서의 신뢰성이 향상된다.
• 성능 비교를 위해서는 UTKFace 외에 다양한 연령 분포와 촬영 조건을 갖춘 공개 데이터셋에서 동일한 전처리·분할 규칙으로 교차검증을 수행해야 한다. 교차데이터셋 검증은 데이터셋별 레이블 분포와 촬영 환경 차이로 인한 과적합 여부를 판단할 수 있는 직접적 근거를 제공하며, 교차검증 결과는 특정 인구집단에서의 성능 저하를 조기에 발견하는 데 도움이 된다. 추가로 k-fold 교차검증과 도메인 적응 기법을 병행하면 일반화 성능에 대한 신뢰구간을 보다 명확히 할 수 있다.
• 인구통계적 강건성을 개선하려면 데이터 증강, 합성 데이터 보강, 공정성 기반 손실(예: 그룹별 정규화) 적용을 통해 그룹 간 성능 편차를 줄여야 한다. 얼굴 이미지의 조명·포즈·해상도 변화에 대해서는 강인한 특징 추출을 위해 다중 스케일 입력과 랜덤한 포즈 변환을 포함한 데이터 증강 전략을 사용하고, 필요 시 소수 그룹에 대한 업샘플링이나 가중치 보정을 통해 편향을 완화할 수 있다. 또한 테스트 단계에서 그룹별 MAE를 보고하여 개선 효과를 정량적으로 검증해야 한다.

Mean Absolute Error (MAE)

— 평균 절대 오차(MAE)는 예측값과 실제값의 절대 차이를 모두 더한 뒤 표본 수로 나눈 지표로, 연령 추정에서는 예측 연령과 실제 연령의 평균적 오차 크기를 직접적으로 나타낸다. 이 값은 모델의 편향과 분산 영향을 모두 포함하여 실제 사용 시 기대되는 오차 범위를 직관적으로 제시하기 때문에 경량 모델 성능 비교에 자주 사용된다. 숫자 그대로 해석 가능하여 다른 모델과의 절대적 성능 차이를 근거로 설계 트레이드오프를 판단하는 데 유용하다.

ONNX

— ONNX는 서로 다른 딥러닝 프레임워크 간에 모델을 교환할 수 있게 설계된 공통 형식으로, PyTorch로 학습한 모델을 다양한 런타임으로 이식할 때 중간 형식으로 활용된다. 이식 과정에서 연산 호환성과 최적화가 영향을 미치므로 모바일 경량화 파이프라인에서 변환 후 성능·정밀도 변화 여부를 검증하는 절차가 중요하다. 모바일 배포 시 ONNX를 거쳐 TensorFlow Lite로 변환하거나 직접 지원하는 런타임으로 배포하는 방식이 일반적이다.

TensorFlow Lite

— TensorFlow Lite는 모바일·임베디드 환경에서 신경망 추론을 경량화하여 실행하기 위한 런타임과 도구 모음으로, 모델 변환과 양자화, 최적화된 커널을 통해 온디바이스 지연시간과 메모리 사용량을 줄인다. 변환 과정에서 연산의 근사나 정밀도 손실이 발생할 수 있어 변환 전후의 정확도·지연 시간·메모리 사용량을 함께 측정해야 한다. 경량 얼굴 연령 추정 모델의 실사용 성능은 TFLite 변환 결과에 크게 좌우된다.

Optuna

— Optuna는 하이퍼파라미터 자동 최적화 라이브러리로, 목적 함수의 평가 결과를 바탕으로 샘플링 전략과 프루닝(pruning)을 적용하여 효율적으로 최적 조합을 탐색한다. 랜덤 탐색이나 그리드 탐색보다 적은 실험으로 유의미한 성능 개선을 찾을 수 있으며 재현 가능한 스터디와 체계적 로그를 남기는 기능을 제공한다. 모델 경량화와 성능 간 트레이드오프를 탐색할 때 하이퍼파라미터 탐색이 실무적 이득을 제공한다.

UTKFace

— UTKFace는 다양한 연령대와 인종을 포함한 얼굴 이미지 데이터셋으로, 얼굴 연령 추정과 관련된 연구에서 널리 사용되는 벤치마크이다. 데이터셋의 분포 편향과 레이블 노이즈가 존재하므로 모델의 일반화력을 평가하려면 보유한 검증·테스트 분리뿐 아니라 다른 데이터셋과의 교차검증이 필요하다. 경량 모델 성능 비교에서는 동일한 전처리·분할 규칙을 적용하여 MAE 등 지표를 직접 비교해야 한다.