STEP 1 — 접속 (5분)

• teachablemachine.withgoogle.com 접속
• Get Started → Image Project
• Standard image model 선택
• Google 계정 로그인

STEP 2 — 4 카테고리 (5분)

• 왼쪽 Class 1 → 도시
• Add a class → 농경지
• Add a class → 산림
• Add a class → 바다

STEP 3 — 사진 (30분)

• NASA Worldview 또는 Google 이미지 검색
• 카테고리당 10-15장 다운로드
• 각 클래스에 Upload (drag & drop)
• 막히면 Gemini에게 "좋은 위성 사진 출처" 질문

STEP 4 — 학습 + 테스트 (10분)

• 중앙의 Train Model 클릭
• 15-30초 기다림 (탭 닫지 말 것)
• Preview에서 새 사진 테스트
• 틀린 사진? → 사진 더 모아 재학습

이미지 = 행렬 · 셀 1-6

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

# 합성 위성 사진 4장 (4 카테고리)
np.random.seed(42)
city = np.random.randint(80,160,(128,128,3),np.uint8)

print(city.shape)  # (128, 128, 3)
print(city.dtype)  # uint8 (0~255)

포인트

• CORE — 이미지 = (높이, 너비, 3) 행렬
• 3 채널 — R / G / B 각각 한 장
• uint8 — 각 픽셀 = 0(검정) ~ 255(밝음)
• CHECK — shape == (128,128,3) 확인

RGB 분리 + 평균 · 셀 7-12

# R, G, B 채널만 따로
fig, ax = plt.subplots(1, 3, figsize=(12,4))
ax[0].imshow(city[:,:,0], cmap="Reds")
ax[1].imshow(city[:,:,1], cmap="Greens")
ax[2].imshow(city[:,:,2], cmap="Blues")
plt.show()

# 카테고리별 평균 RGB
for name, img in [("city",city),("farm",farm)]:
    r = img[:,:,0].mean()
    print(name, "R =", round(r))

포인트

• CORE — 카테고리마다 평균 RGB가 다름
• slicing — img[:,:,0] = R 채널
• .mean() — 전체 픽셀 평균
• INSIGHT — 이 차이 → 분류 가능