이미지를 모델에 입력하기 전에 리사이징(Resizing)과 정규화(Normalization)를 하는 이유

딥러닝에서 이미지를 모델에 입력하기 전에는 반드시 전처리(Preprocessing) 과정을 거칩니다.
그중 가장 기본이 되는 과정이 바로:

• 리사이징(Resizing)
• 정규화(Normalization)

입니다.

그렇다면 왜 이 과정을 꼭 거쳐야 할까요?
딥러닝 모델의 동작 원리와 함께 자세히 알아보겠습니다.

 

---

리사이징(Resizing)을 하는 이유

✔입력 크기를 통일하기 위해

이미지는 각각 크기가 다릅니다.

• 640×480
• 1024×768
• 300×500 등

하지만 CNN(합성곱 신경망)은 고정된 크기의 텐서를 입력으로 받습니다.

예를 들어:

• ImageNet 기반 사전학습 모델 → 224×224 입력
• COCO 기반 객체 탐지 모델 → 300×300 또는 512×512 입력

따라서 배치(batch) 학습을 위해서는 모든 이미지를 동일한 크기로 맞춰야 합니다.

 

✔연산량을 줄이기 위해

이미지 크기가 커질수록 연산량은 기하급수적으로 증가합니다.

예시:

• 224×224 → 약 5만 픽셀
• 1024×1024 → 약 100만 픽셀

즉, 약 20배 이상 연산량 증가

이미지가 커질수록:

• GPU 메모리 사용량 증가
• 학습 속도 감소
• 배치 크기 감소

따라서 정보 손실을 최소화하면서 적절한 크기로 줄이는 것이 중요합니다.

 

✔사전학습 모델과 입력 형식을 맞추기 위해

예를 들어:

• ImageNet 데이터셋으로 학습된 모델은 대부분 224×224 입력을 사용합니다.

이 모델을 그대로 활용하려면 입력 크기를 동일하게 맞춰야 합니다.

이를 통해:

• Feature extractor가 정상 동작
• 학습 안정성 확보
• 성능 유지

가 가능합니다.

 

---

정규화(Normalization)를 하는 이유

이제 더 중요한 부분인 정규화입니다.

 

✔픽셀 값의 범위를 조정하기 위해

이미지의 원래 픽셀 값은 보통

0 ~ 255 (uint8)

 

입니다.

 

이 값을 그대로 사용하면:

• 값의 스케일이 큼
• Gradient 폭주 가능성
• 학습 불안정

그래서 일반적으로 다음과 같이 변환합니다.

① 스케일링

0~255 → 0~1

 

② 표준화

(x - mean) / std

 

 

✔학습을 빠르고 안정적으로 만들기 위해

정규화하지 않으면:

• 가중치 업데이트가 불안정
• Loss가 크게 진동
• 수렴 속도 저하

정규화하면:

• 데이터 분포가 일정해짐
• Gradient 흐름 안정화
• 학습 속도 향상

이는 내부적으로 Gradient Descent가 더 효율적으로 작동하도록 돕는 역할을 합니다.

 

✔사전학습 모델의 데이터 분포와 맞추기 위해

예를 들어 ImageNet으로 학습된 모델은 다음 평균과 표준편차를 사용합니다

mean = [0.485, 0.456, 0.406]
std = [0.229, 0.224, 0.225]

 

이 값을 그대로 사용해야

• 입력 분포가 동일해짐
• Feature extractor가 정상적으로 동작
• 성능 저하 방지

즉, 정규화는 단순한 숫자 변환이 아니라, 모델이 학습했던 환경을 재현하는 과정입니다.

 

---

리사이징 vs 정규화 차이 정리

 

구분	리사이징	정규화
목적	이미지 크기 통일	픽셀 값 범위 조정
효과	연산량 감소, 배치 학습 가능	학습 안정화
모델 영향	입력 텐서 shape 변화	데이터 분포 변화
사전학습과의 관계	입력 크기 맞춤	평균·표준편차 맞춤

 

---

정리

이미지 전처리의 목적은 단 하나입니다.

모델이 가장 효율적으로 학습할 수 있는 환경을 만들어주는 것

• 리사이징 → 형태(Shape)를 맞추는 작업
• 정규화 → 분포(Distribution)를 맞추는 작업

이 두 과정은 딥러닝 이미지 모델에서 선택이 아니라 필수 단계입니다.

딥러닝 모델의 성능은 구조만으로 결정되지 않습니다.
전처리 과정이 성능의 절반 이상을 좌우하기도 합니다.

특히:

• Transfer Learning을 사용할 때
• 사전학습 모델을 사용할 때
• 객체 탐지나 세그멘테이션을 할 때

리사이징과 정규화는 반드시 정확히 이해하고 적용해야 합니다.