{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# 간단한 이미지 분류기\n",
    "\n",
    "이 노트북은 사전 학습된 신경망을 사용하여 이미지를 분류하는 방법을 보여줍니다.\n",
    "\n",
    "**배울 내용:**\n",
    "- 사전 학습된 모델을 로드하고 사용하는 방법\n",
    "- 이미지 전처리\n",
    "- 이미지에 대한 예측 수행\n",
    "- 신뢰도 점수 이해하기\n",
    "\n",
    "**사용 사례:** 이미지에서 객체 식별 (예: \"고양이\", \"강아지\", \"자동차\" 등)\n",
    "\n",
    "---\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 1단계: 필요한 라이브러리 가져오기\n",
    "\n",
    "필요한 도구를 가져와 봅시다. 아직 모든 것을 이해하지 못해도 걱정하지 마세요!\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Core libraries\n",
    "import numpy as np\n",
    "from PIL import Image\n",
    "import requests\n",
    "from io import BytesIO\n",
    "\n",
    "# TensorFlow for deep learning\n",
    "try:\n",
    "    import tensorflow as tf\n",
    "    from tensorflow.keras.applications import MobileNetV2\n",
    "    from tensorflow.keras.applications.mobilenet_v2 import preprocess_input, decode_predictions\n",
    "    print(\"✅ TensorFlow loaded successfully!\")\n",
    "    print(f\"   Version: {tf.__version__}\")\n",
    "except ImportError:\n",
    "    print(\"❌ Please install TensorFlow: pip install tensorflow\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 2단계: 사전 학습된 모델 로드하기\n",
    "\n",
    "우리는 **MobileNetV2**를 사용할 것입니다. 이 신경망은 이미 수백만 개의 이미지로 학습되었습니다.\n",
    "\n",
    "이것을 **전이 학습**이라고 합니다 - 다른 사람이 학습시킨 모델을 사용하는 것이죠!\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "print(\"📦 Loading pre-trained MobileNetV2 model...\")\n",
    "print(\"   This may take a minute on first run (downloading weights)...\")\n",
    "\n",
    "# Load the model\n",
    "# include_top=True means we use the classification layer\n",
    "# weights='imagenet' means it was trained on ImageNet dataset\n",
    "model = MobileNetV2(weights='imagenet', include_top=True)\n",
    "\n",
    "print(\"✅ Model loaded!\")\n",
    "print(f\"   The model can recognize 1000 different object categories\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 3단계: 헬퍼 함수\n",
    "\n",
    "모델에 사용할 이미지를 로드하고 준비하는 함수를 만들어봅시다.\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "def load_image_from_url(url):\n",
    "    \"\"\"\n",
    "    Load an image from a URL.\n",
    "    \n",
    "    Args:\n",
    "        url: Web address of the image\n",
    "        \n",
    "    Returns:\n",
    "        PIL Image object\n",
    "    \"\"\"\n",
    "    response = requests.get(url)\n",
    "    img = Image.open(BytesIO(response.content))\n",
    "    return img\n",
    "\n",
    "\n",
    "def prepare_image(img):\n",
    "    \"\"\"\n",
    "    Prepare an image for the model.\n",
    "    \n",
    "    Steps:\n",
    "    1. Resize to 224x224 (model's expected size)\n",
    "    2. Convert to array\n",
    "    3. Add batch dimension\n",
    "    4. Preprocess for MobileNetV2\n",
    "    \n",
    "    Args:\n",
    "        img: PIL Image\n",
    "        \n",
    "    Returns:\n",
    "        Preprocessed image array\n",
    "    \"\"\"\n",
    "    # Resize to 224x224 pixels\n",
    "    img = img.resize((224, 224))\n",
    "    \n",
    "    # Convert to numpy array\n",
    "    img_array = np.array(img)\n",
    "    \n",
    "    # Add batch dimension (model expects multiple images)\n",
    "    img_array = np.expand_dims(img_array, axis=0)\n",
    "    \n",
    "    # Preprocess for MobileNetV2\n",
    "    img_array = preprocess_input(img_array)\n",
    "    \n",
    "    return img_array\n",
    "\n",
    "\n",
    "def classify_image(img):\n",
    "    \"\"\"\n",
    "    Classify an image and return top predictions.\n",
    "    \n",
    "    Args:\n",
    "        img: PIL Image\n",
    "        \n",
    "    Returns:\n",
    "        List of (class_name, confidence) tuples\n",
    "    \"\"\"\n",
    "    # Prepare the image\n",
    "    img_array = prepare_image(img)\n",
    "    \n",
    "    # Make prediction\n",
    "    predictions = model.predict(img_array, verbose=0)\n",
    "    \n",
    "    # Decode predictions to human-readable labels\n",
    "    # top=5 means we get the top 5 most likely classes\n",
    "    decoded = decode_predictions(predictions, top=5)[0]\n",
    "    \n",
    "    # Convert to simpler format\n",
    "    results = [(label, float(confidence)) for (_, label, confidence) in decoded]\n",
    "    \n",
    "    return results\n",
    "\n",
    "\n",
    "print(\"✅ Helper functions ready!\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 4단계: 샘플 이미지 테스트\n",
    "\n",
    "인터넷에서 가져온 몇 가지 이미지를 분류해 봅시다!\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Sample images to classify\n",
    "# These are from Unsplash (free stock photos)\n",
    "test_images = [\n",
    "    {\n",
    "        \"url\": \"https://images.unsplash.com/photo-1514888286974-6c03e2ca1dba?w=400\",\n",
    "        \"description\": \"A cat\"\n",
    "    },\n",
    "    {\n",
    "        \"url\": \"https://images.unsplash.com/photo-1552053831-71594a27632d?w=400\",\n",
    "        \"description\": \"A dog\"\n",
    "    },\n",
    "    {\n",
    "        \"url\": \"https://images.unsplash.com/photo-1511919884226-fd3cad34687c?w=400\",\n",
    "        \"description\": \"A car\"\n",
    "    },\n",
    "]\n",
    "\n",
    "print(f\"🧪 Testing on {len(test_images)} images...\")\n",
    "print(\"=\" * 70)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### 각 이미지를 분류하세요\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "for i, img_data in enumerate(test_images, 1):\n",
    "    print(f\"\\n📸 Image {i}: {img_data['description']}\")\n",
    "    print(\"-\" * 70)\n",
    "    \n",
    "    try:\n",
    "        # Load image\n",
    "        img = load_image_from_url(img_data['url'])\n",
    "        \n",
    "        # Display image\n",
    "        display(img.resize((200, 200)))  # Show smaller version\n",
    "        \n",
    "        # Classify\n",
    "        results = classify_image(img)\n",
    "        \n",
    "        # Show predictions\n",
    "        print(\"\\n🎯 Top 5 Predictions:\")\n",
    "        for rank, (label, confidence) in enumerate(results, 1):\n",
    "            # Create a visual bar\n",
    "            bar_length = int(confidence * 50)\n",
    "            bar = \"█\" * bar_length\n",
    "            \n",
    "            print(f\"  {rank}. {label:20s} {confidence*100:5.2f}% {bar}\")\n",
    "        \n",
    "    except Exception as e:\n",
    "        print(f\"❌ Error: {e}\")\n",
    "\n",
    "print(\"\\n\" + \"=\" * 70)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 5단계: 직접 이미지를 시도해보세요!\n",
    "\n",
    "아래 URL을 원하는 이미지 URL로 교체하여 분류를 시도해보세요.\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Try your own image!\n",
    "# Replace this URL with any image URL\n",
    "custom_image_url = \"https://images.unsplash.com/photo-1472491235688-bdc81a63246e?w=400\"  # A flower\n",
    "\n",
    "print(\"🖼️  Classifying your custom image...\")\n",
    "print(\"=\" * 70)\n",
    "\n",
    "try:\n",
    "    # Load and show image\n",
    "    img = load_image_from_url(custom_image_url)\n",
    "    display(img.resize((300, 300)))\n",
    "    \n",
    "    # Classify\n",
    "    results = classify_image(img)\n",
    "    \n",
    "    # Show results\n",
    "    print(\"\\n🎯 Top 5 Predictions:\")\n",
    "    print(\"-\" * 70)\n",
    "    for rank, (label, confidence) in enumerate(results, 1):\n",
    "        bar_length = int(confidence * 50)\n",
    "        bar = \"█\" * bar_length\n",
    "        print(f\"  {rank}. {label:20s} {confidence*100:5.2f}% {bar}\")\n",
    "    \n",
    "    # Highlight top prediction\n",
    "    top_label, top_confidence = results[0]\n",
    "    print(\"\\n\" + \"=\" * 70)\n",
    "    print(f\"\\n🏆 Best guess: {top_label} ({top_confidence*100:.2f}% confident)\")\n",
    "    \n",
    "except Exception as e:\n",
    "    print(f\"❌ Error: {e}\")\n",
    "    print(\"   Make sure the URL points to a valid image!\")"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 💡 방금 무슨 일이 있었나요?\n",
    "\n",
    "1. **사전 학습된 모델을 로드했습니다** - MobileNetV2는 수백만 개의 이미지로 학습되었습니다.\n",
    "2. **이미지를 전처리했습니다** - 모델에 맞게 크기를 조정하고 형식을 변환했습니다.\n",
    "3. **모델이 예측을 수행했습니다** - 1000개의 객체 클래스에 대한 확률을 출력했습니다.\n",
    "4. **결과를 디코딩했습니다** - 숫자를 사람이 읽을 수 있는 레이블로 변환했습니다.\n",
    "\n",
    "### 신뢰 점수 이해하기\n",
    "\n",
    "- **90-100%**: 매우 높은 신뢰도 (거의 확실히 정확함)\n",
    "- **70-90%**: 높은 신뢰도 (아마도 정확함)\n",
    "- **50-70%**: 어느 정도 신뢰도 있음 (정확할 가능성 있음)\n",
    "- **50% 미만**: 신뢰도 낮음 (불확실함)\n",
    "\n",
    "### 왜 예측이 틀릴 수 있을까요?\n",
    "\n",
    "- **특이한 각도나 조명** - 모델은 일반적인 사진으로 학습되었습니다.\n",
    "- **여러 객체가 있는 경우** - 모델은 주요 객체 하나를 예상합니다.\n",
    "- **드문 객체** - 모델은 1000개의 카테고리만 알고 있습니다.\n",
    "- **저화질 이미지** - 흐릿하거나 픽셀화된 이미지는 더 어렵습니다.\n",
    "\n",
    "---\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 🚀 다음 단계\n",
    "\n",
    "1. **다양한 이미지 시도하기:**\n",
    "   - [Unsplash](https://unsplash.com)에서 이미지를 찾아보세요.\n",
    "   - 마우스 오른쪽 클릭 → \"이미지 주소 복사\"로 URL 가져오기\n",
    "\n",
    "2. **실험해보기:**\n",
    "   - 추상 예술 작품에서는 어떤 결과가 나올까요?\n",
    "   - 다양한 각도에서 객체를 인식할 수 있을까요?\n",
    "   - 여러 객체를 처리하는 방식은 어떨까요?\n",
    "\n",
    "3. **더 알아보기:**\n",
    "   - [컴퓨터 비전 강의](../lessons/4-ComputerVision/README.md)를 탐색해보세요.\n",
    "   - 직접 이미지 분류기를 학습시키는 방법을 배워보세요.\n",
    "   - CNN(합성곱 신경망)이 어떻게 작동하는지 이해해보세요.\n",
    "\n",
    "---\n",
    "\n",
    "## 🎉 축하합니다!\n",
    "\n",
    "최첨단 신경망을 사용하여 이미지 분류기를 직접 구축하셨습니다!\n",
    "\n",
    "이 기술은 다음과 같은 분야에서 활용됩니다:\n",
    "- Google Photos (사진 정리)\n",
    "- 자율주행 자동차 (객체 인식)\n",
    "- 의료 진단 (X-ray 분석)\n",
    "- 품질 관리 (결함 감지)\n",
    "\n",
    "계속 탐구하고 배우세요! 🚀\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "\n---\n\n**면책 조항**:  \n이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전이 권위 있는 출처로 간주되어야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.\n"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.8.0"
  },
  "coopTranslator": {
   "original_hash": "1d472141d9df46b751542b3c29f88677",
   "translation_date": "2025-10-03T11:41:28+00:00",
   "source_file": "examples/03-image-classifier.ipynb",
   "language_code": "ko"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 4
}