MobileAgeNet: 모바일 환경에 적합한 경량 얼굴 나이 추정 모델

MobileAgeNet: Lightweight Facial Age Estimation for Mobile Deployment

얼굴 나이 추정 모델을 모바일 환경에 적용하기 위해서는 예측 정확도와 낮은 지연 시간, 그리고 작은 모델 크기를 모두 만족해야 합니다. 본 연구에서는 이러한 요구 사항을 충족하는 경량 나이 회귀 프레임워크인 MobileAgeNet을 제안합니다. MobileAgeNet은 UTKFace 테스트 데이터셋에서 평균 절대 오차(MAE) 4.65년이라는 뛰어난 성능을 보이면서도, AI Benchmark 애플리케이션을 사용하여 측정했을 때 평균 14.4ms의 낮은 지연 시간으로 모바일 장치에서 효율적인 추론이 가능합니다. 본 모델은 사전 학습된 MobileNetV3-Large 백본과 경량 회귀 헤드를 결합하여, 모바일 장치에서 실시간 예측을 가능하게 합니다. 또한, 본 연구에서는 NN LEMUR 데이터셋 프레임워크를 활용하여 재현 가능한 실험, 체계적인 하이퍼파라미터 최적화, 그리고 일관된 평가를 지원합니다. 훈련 안정성과 일반화 성능을 향상시키기 위해, 제한된 나이 회귀와 2단계 미세 조정 전략을 사용했습니다. 실험 결과, MobileAgeNet은 323만 개의 파라미터로 경쟁력 있는 정확도를 달성하며, PyTorch 훈련에서 ONNX 내보내기, 그리고 TensorFlow Lite 변환 과정을 거치는 동안에도 예측 성능이 현저하게 저하되지 않는다는 것을 확인했습니다. 전반적으로, 본 연구는 모바일 환경에 최적화된 얼굴 나이 추정을 위한 실용적이고 배포 가능한 기본 모델을 제공합니다.

Mobile deployment of facial age estimation requires models that balance predictive accuracy with low latency and compact size. In this work, we present MobileAgeNet, a lightweight age-regression framework that achieves an MAE of 4.65 years on the UTKFace held-out test set while maintaining efficient on-device inference with an average latency of 14.4 ms measured using the AI Benchmark application. The model is built on a pretrained MobileNetV3-Large backbone combined with a compact regression head, enabling real-time prediction on mobile devices. The training and evaluation pipeline is integrated into the NN LEMUR Dataset framework, supporting reproducible experimentation, structured hyperparameter optimization, and consistent evaluation. We employ bounded age regression together with a two-stage fine-tuning strategy to improve training stability and generalization. Experimental results show that MobileAgeNet achieves competitive accuracy with 3.23M parameters, and that the deployment pipeline from PyTorch training through ONNX export to TensorFlow Lite conversion - preserves predictive behavior without measurable degradation under practical on-device conditions. Overall, this work provides a practical, deployment-ready baseline for mobile-oriented facial age estimation.