선택과 집중

내용을 좀 더 뜯어보려고 한다. -Pycocotools : COCO API ㄴAPI란? Application Programming Interface로서 응용프로그램과 운영체제의 통신을 쉽게 하는 연결 인터페이스 -COCO Dataset: -Detection, Segmentaion 등 테스크를 위해서는 bounding box의 좌표, segmentation mask 픽셀 등 필요한 정보가 多 때문에, 이러한 정보들(annotation)을 json형태로 제공. -Object Detection, Segmentation,Keypoint Detection 등을 위한 데이터셋으로 매년 전 세계의 여러 대학과 기업이 참가하는 대회 -데이터를 저장하는 방식인 COCO Data format 역시 많이 활용됨. *date..

이미지 전처리 - 이미지를 255로 나눠주어서 -0~255 원사이드(즈?) 8bit 인티저로 되어있던 이미지를 > 0~1 사이즈의 값으로 노멀라이즈 해줌 -파이토치에 넣기 위해서, 채널을 앞으로 당겨주고 -배치형태로 만들기 > torch.Size(1, 3, 256, 256) 사이즈의 이미지 인풋이 만들어짐. 모델 추론 -모델에 넣어주기만 하면 됨. -아웃풋 의 사이즈는 torch.Size(1, 2, 256, 256) 사이즈 후처리 및 추론 마스크 시각화 -손상된 부분이 노란색으로 나옴. -0~1 사이즈의 값으로 트랜스포즈 해줌 -최초 창의 크기를 가로 세로 8인치로 설정한 뒤, 이미지를 표시해줌. *참고) ndim과 dim의 차이 ndim은 array dimension(배열의 차원)을 의미하고 dim은 ..

차량 파손 인공지능 데이터셋 -SOCA에서 학습시킨 모델(파손영역을 segmentation하는 모델) 사용 -CPU 이용해서 돌림 -U_net의 encoder는 resnet34 기반 -pre_trade weight는 imagenet 사용 -torch를 이용해서 미리 학습된 모델을 불러옴 model.load_state_dict(torch.load(PATH, map_location=device)) GPU에서 학습한 모델을, CPU에서 불러올 때는 torch.load() 함수의 map_location 인자에 'cpu' 값을 전달함 *CUDA CPU 에 맡기면, 10시간이 걸리도록 계속 실행되고 있는 경우가 허다함. 그럴 때 GPU 에게 계산을 맡기면 계산시간을 줄일 수 있는데, 이 기술을 GPGPU 라고 함...

torch, open cv, matplotlib U_Net import torch # tensor 등 다양한 수학 함수가 포함되어 있으며 Numpy와 유사한 구조 (수치 연산을 수행하는 라이브러리) import cv2 # cv2 [Computer Vision] - Opencv: 카메라, 에지 기반 또는 클라우드 기반 컴퓨팅, 소프트웨어 및 인공지능(AI)을 결합하여 시스템이 사물을 "확인"하고 식별할 수 있게 함. # OpenCV [Open Source Computer Vision Library] # OpenCV는 컴퓨터 비전 관련 프로그래밍을 쉽게 할 수 있도록 도와주는 라이브러리. (이미지 딥러닝에 활용) import matplotlib.pyplot as plt from src.Models impor..

Linux® : 오픈소스 운영 체제(OS) -운영 체제(OS)는 애플리케이션과 하드웨어 사이에서 모든 소프트웨어와 작업을 수행하는 물리적 리소스를 연결. -Ubuntu : 가장 널리 쓰이는 오픈소스 리눅스 배포판 중 하나 -cmd : 방화벽으로 한정적으로 실행 가능 -powershell : 관리자 권한으로 실행 가능 AI모델 환경설치 가이드에 따르면 데이터 학습 및 검증 과정이 docker 기반으로 동작한다고 하여 docker를 리눅스 우분투 터미널 환경에서 설치시도함. 리눅스 배포판 우분투로 파이참에 docker 환경을 깔던 중 docker 이미지 생성이 완료되지 못하고 중간에 오류가 계속 발생. => 결과 ) docker 를 쓰지않고 주피터 노트북으로 파이참에서 requirement 실행해서 설치 ㄴ..

차량 파손 데이터셋을 가지고 우리생활에 실용적으로 만든 ai 차량 파손 수리 견적 자동으로 뽑아주는 인공지능 차량 파손 이미지 데이터 -용량 48GB -손상종류 : 200만개 -차량 부위 segmentation : 18만개 (2022_10_20에 개방되어서 신규데이터까지 추가됨) -차종에 따라서 경차, 소형차, 중형차, 대형차로 나뉘어져 있고 -손상은 스크래치, 찌그러짐, 파손, 이격 4가지로 분류 -스크래치 약 50%, 찌그러짐 약 16%, 파손 약 13%, 이격 약 20.50% ㄴ데이터의 분포가 약간 불균형 (차량 빌려주는 SOCA라는 업체에서는 segmentation 모델로 학습시킬때 각각의 손상종류에 따라 모델을 따로 만듬. 그래서 모델이 총 4개가 있음) 데이터를 열면 -라벨링데이터(jason형..

PCA -X축이 아니라 노란색으로 축(새로운 특성)을 바꾸겠다는 의미 -노란색이 속성값이 됨 -Y축을 안보는게 '차원축소' -특성을 뽑아낼 수 있게 축 변환해서, 차원을 줄이는데서 오는 데이터의 손실을 최소화한다. 참고) -분산이 작다 = 데이터가 모여 있다 -분산이 더 크다 = 퍼져 있다 분산이 큰 방향에서 특성을 본다. 겹쳐보이면 데이터구별이 어려우니까! 그렇다면 차원축소의 개념이 뭘까? -이 예측의 경우 밑에 다섯개를 버리고 여섯개 쓴다는게 차원축소! -차원축소 : 오히려 정확도를 높일 수 있다. -PCA와 TSME가 차원축소하는 애들 ㄴTSME 는 워드투백할때 주로 썼던듯! 딥러닝/ 머신러닝 / 통계의 차이? -뉴로랫(신경망) > 딥러닝 ㄴ머신러닝은 뉴로랫(신경망)이 아님. 망구조가 아님. -kn..

오른쪽 점 세개 클릭 - 도구 더 보기 - 개발자도구 클릭 들어가서 톱니모양(설정) 클릭 Debugger 부분에 disable javaScript 클릭 => 블로그 글 직접복사 가능함