③ 텐서플로 콜백 클래스를 상속받아 DisplayCallback 클래스를 정의합니다. 이 클래스는 각 에포크의 끝에서 모델의 예측 결과를 시각화합니다.

④ 모델 학습을 시작합니다. train_batches를 사용하여 학습하고, test_batches를 사용하여 검증합니다. callbacks=[DisplayCallback()]을 통해 각 에포크의 끝에 예측 결과를 시각화합니다.

코드는 U-Net 모델을 사용하여 이미지 분할 작업을 수행하고, 학습 과정에서 모델의 성능을 시각적으로 확인하는 과정을 보여줍니다. DisplayCallback 콜백을 사용하면 학습 과정을 더욱 직관적으로 모니터링하고 모델의 성능을 실시간으로 평가할 수 있습니다. 이러한 접근 방식은 모델 학습의 효과를 평가하고 필요한 조정을 적시에 수행하는 데 유용합니다.

코드를 실행하면 다음처럼 출력됩니다.

▲ 그림 5-45 출력 결과: U-Net 학습 결과와 실제 정답 마스크 비교