FOOD_GUIDE.md

🍽️ 음식 이미지 분류 프로젝트 가이드

📂 파일 구성

파일	역할	필수?
app.py	Gradio 웹 데모	✅ Space 필수
README.md	Space 설정 (YAML)	✅ Space 필수
requirements.txt	의존성	✅ Space 필수
configuration_myresnet.py	MyResNet Config	옵션 B에서만 필요
modeling_myresnet.py	MyResNet 모델	옵션 B에서만 필요
train_food.py	Food-101 학습 스크립트	로컬 학습용

🎯 두 가지 사용 시나리오

시나리오 1: 학습 없이 바로 데모 실행 (추천) ⭐

app.py는 기본적으로 **허깅페이스 허브의 공개 모델 nateraw/food**를 사용합니다. 이 모델은 이미 Food-101에서 학습되어 약 90% 정확도를 보여요.

Space 업로드 파일 (3개면 충분):

1. app.py
2. README.md
3. requirements.txt

즉, 이 시나리오에서는 configuration_myresnet.py, modeling_myresnet.py를 Space에 올릴 필요가 없습니다!

시나리오 2: 자체 학습한 MyResNet 사용

직접 ResNet을 학습시켜서 그 모델로 데모를 돌리고 싶다면:

Step 1: 로컬에서 학습

pip install torch torchvision transformers datasets accelerate
python train_food.py

→ ./my-resnet18-food101/ 폴더에 학습된 모델 저장됨

Step 2: 모델 허브에 업로드

huggingface-cli login

python -c "
from modeling_myresnet import MyResNetForImageClassification
from configuration_myresnet import MyResNetConfig

MyResNetConfig.register_for_auto_class()
MyResNetForImageClassification.register_for_auto_class('AutoModelForImageClassification')

model = MyResNetForImageClassification.from_pretrained('./my-resnet18-food101')
model.push_to_hub('your-username/my-resnet18-food101')
"

Step 3: Space app.py에서 옵션 전환

# 옵션 A 부분을 주석 처리
# from transformers import AutoImageProcessor, AutoModelForImageClassification
# ...

# 옵션 B 주석 해제
from configuration_myresnet import MyResNetConfig
from modeling_myresnet import MyResNetForImageClassification

MODEL_ID = "your-username/my-resnet18-food101"
model = MyResNetForImageClassification.from_pretrained(MODEL_ID)
model.eval()
device = "cuda" if torch.cuda.is_available() else "cpu"
model = model.to(device)
id2label = model.config.id2label

Step 4: 전처리 함수도 수동 버전으로 변경

from torchvision.transforms import Compose, Resize, ToTensor, Normalize

_transform = Compose([
    Resize((224, 224)),
    ToTensor(),
    Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

def preprocess(image):
    return _transform(image.convert("RGB")).unsqueeze(0).to(device)

🍜 Food-101의 101개 클래스

apple_pie, baby_back_ribs, baklava, beef_carpaccio, beef_tartare,
beet_salad, beignets, bibimbap, bread_pudding, breakfast_burrito,
bruschetta, caesar_salad, cannoli, caprese_salad, carrot_cake,
ceviche, cheesecake, cheese_plate, chicken_curry, chicken_quesadilla,
chicken_wings, chocolate_cake, chocolate_mousse, churros, clam_chowder,
club_sandwich, crab_cakes, creme_brulee, croque_madame, cup_cakes,
deviled_eggs, donuts, dumplings, edamame, eggs_benedict,
escargots, falafel, filet_mignon, fish_and_chips, foie_gras,
french_fries, french_onion_soup, french_toast, fried_calamari, fried_rice,
frozen_yogurt, garlic_bread, gnocchi, greek_salad, grilled_cheese_sandwich,
grilled_salmon, guacamole, gyoza, hamburger, hot_and_sour_soup,
hot_dog, huevos_rancheros, hummus, ice_cream, lasagna,
lobster_bisque, lobster_roll_sandwich, macaroni_and_cheese, macarons, miso_soup,
mussels, nachos, omelette, onion_rings, oysters,
pad_thai, paella, pancakes, panna_cotta, peking_duck,
pho, pizza, pork_chop, poutine, prime_rib,
pulled_pork_sandwich, ramen, ravioli, red_velvet_cake, risotto,
samosa, sashimi, scallops, seaweed_salad, shrimp_and_grits,
spaghetti_bolognese, spaghetti_carbonara, spring_rolls, steak, strawberry_shortcake,
sushi, tacos, takoyaki, tiramisu, tuna_tartare, waffles

재미있는 사실: 🥘 bibimbap (비빔밥), 🍣 sushi, 🥟 gyoza (만두), 🍜 ramen, 🌮 tacos 등 한식/일식/중식/멕시칸 등 다양한 국가 요리가 포함되어 있어요!

💡 학습 시간/정확도 참고

방식	시간 (GPU 1장)	정확도
Scratch 학습 (30 epochs)	약 6-10시간	약 60-70%
Pretrained + Fine-tuning (10 epochs)	약 2-4시간	약 80-85%
공개 모델 nateraw/food 사용	0	~90%

초보자 추천: 시나리오 1 (공개 모델 사용)로 먼저 Space를 띄워보고, 나중에 관심 있으면 시나리오 2로 직접 학습해보세요!

🐛 자주 겪는 문제

1. 학습 시 OutOfMemory

per_device_train_batch_size=64  # 32 또는 16으로 줄이기
gradient_accumulation_steps=2   # 이걸 대신 추가

2. Food-101 다운로드가 느림

• Food-101은 약 5GB입니다
• 첫 다운로드 후에는 ~/.cache/huggingface/datasets/에 캐시됨
• 다운로드는 한 번만 하면 됩니다

3. "KeyError: '0'" 에러

• CIFAR 버전과 동일한 문제. id2label[str(i)] → id2label[i]로 수정
• 이 프로젝트의 app.py는 이미 올바르게 되어 있음