---
license: mit
language:
  - ko
metrics:
  - accuracy
  - f1
base_model:
  - facebook/convnext-tiny-224
pipeline_tag: image-classification
tags:
  - multispectral
  - convnext
  - image-classification
  - remote-sensing
  - agriculture
  - xai
---

# ConvNext_Multi 모델 카드

_Last updated: 2025-08-27 08:36:14
## Model Details

ConvNext_Multi는 다중분광(멀티스펙트럼) 영상 데이터를 입력으로 하여 작물 및 식생을 분류하는 ConvNeXt 기반 이미지 분류 모델입니다. 드론 및 위성에서 촬영한 5밴드 (Blue, Green, Red, Near-Infrared, RedEdge) 영상을 효율적으로 처리하도록 설계되어, 고해상도 농업·환경 모니터링에 적합합니다.

- **Developed by:** AI Research Team, MuhanRnd  
- **License:** MIT  
- **Base model:** facebook/convnext-tiny-224  
- **Languages:** Korean (모델 주석 및 문서화)  
- **Model type:** 이미지 분류 (멀티밴드 입력)
- **Created_date:** 2025-06-05 13:32:18
- **Updated_date:** 2025-08-27 08:36:14
P25-08-22 09:23:39

## Uses

### Direct Use

- 다중분광 영상 기반 생육 상태 분류  
- 드론 영상의 5밴드 입력 멀티스펙트럼 이미지 분류 작업

### Downstream Use

- 유사한 다중분광 데이터셋에 대한 파인튜닝  
- 농업 외 기타 환경 모니터링 대상 분류 문제 적용 가능

### Out-of-Scope Use

- RGB 3밴드 영상만을 사용하는 경우 (입력 구조상 활용 불가)  
- 보정되지 않은 멀티밴드 이미지(다중분광 보정값 처리 필요)  
- 객체 검출, 분할 등 분류 이외의 태스크  

## Bias, Risks, and Limitations

- 본 모델은 특정 지역 및 작물 데이터를 중심으로 학습되었으므로, 미학습 환경에서는 성능 저하가 발생할 수 있음  
- 다중분광 영상의 품질, 촬영 조건, 전처리 과정에 민감함  
- 데이터 편향으로 인해 특정 작물이나 배경에 과적합 가능성 존재  
- 모델 예측은 보조적 판단 자료로 활용해야 하며, 최종 의사결정은 전문가 판단과 병행 필요

## How to Get Started

```python
from transformers import AutoModelForImageClassification, AutoFeatureExtractor
import torch

# 모델과 특징 추출기 불러오기
model = AutoModelForImageClassification.from_pretrained("MhRnd/ConvNext_Multi")
extractor = AutoFeatureExtractor.from_pretrained("MhRnd/ConvNext_Multi")

# 다중밴드 이미지 텐서 (예: [batch_size, 5, H, W])
inputs = extractor(multi_band_images, return_tensors="pt")

# 모델 추론
outputs = model(**inputs)
logits = outputs.logits
predicted_class = torch.argmax(logits, dim=1)
```

## Training Details

- **Training Data:**  
  - 드론 및 위성 촬영 다중분광(5밴드) 이미지 데이터셋  
  - 라벨: 주요 작물 및 생육 상태 클래스  
- **Training Procedure:**  
  - 파인튜닝: facebook/convnext-tiny-224 기반  
  - 에폭수: 100  
  - 배치사이즈: 32  
  - 옵티마이저: AdamW  
  - 학습률: 1e-05, Step 스케줄러 사용  

## Evaluation

- **Testing Data:** 별도 보유한 검증용 다중분광 이미지셋  
- **Metrics:** 정확도(Accuracy), 손실(Loss)
- **Performance:**  
  - **베스트 성능 (Epoch 41):**
    - 훈련 손실: 0.1238
    - 훈련 정확도: 1.0000
    - 검증 손실: 0.3569
    - 검증 정확도: 1.0000
  - **마지막 업데이트:** 2025-08-27 08:36:14

## Environmental Impact

- **Hardware:** NVIDIA RTX 3090 GPU  
- **Training Duration:** 약 15분
  
## Citation
```
@article{liu2022convnext,  
  title={ConvNeXt: A ConvNet for the 2020s},  
  author={Liu, Zhuang and Mao, Han and Wu, Chao and Feichtenhofer, Christoph and Darrell, Trevor and Xie, Saining},  
  journal={arXiv preprint arXiv:2201.03545},  
  year={2022}  
}
```

## Glossary

- **다중분광 영상(Multispectral Imagery):** 여러 파장대의 빛을 분리하여 촬영한 영상으로, 작물의 생육 상태 분석 등에 활용됨  
- **ConvNeXt:** 현대적인 구조를 갖춘 컨볼루션 신경망(CNN)  

## Model Card Authors

- AI Research Team, MuhanRnd 
- pyh5214@muhanit.kr