본문 바로가기

AI

[Object Detection] YOLO ver.3 YOLO ver.3 ver2에서 사용한 anchor를 9개로 늘림 Residual Block Residual block에서 '더하다'의 의미 = Element Wise (원소끼리 더해감) 사이즈와 채널이 전부 동일해야 element wise가 진행된다. 비용으 많이 들이지 않고도 성능을 높이는 최고의 방법 Residual Block을 사용함으로써 Gradient Banishing 현상을 막을 수 있다. Gradient Banishing 현상은 weight값이 0에 수렴되어 학습이 끝까지 진행되지 않는 것이다. YOLO로 구현한 정답의 구조 - json으로 구성 https://www.immersivelimit.com/tutorials/create-coco-annotations-from-scr.. 더보기
[Object Detection] YOLO ver.2 YOLO ver.2 COCO Dataset을 가장 많이 사용. 실제 세계관련 데이터 (Real World). Flickr의 사진을 가져다쓴다. 실제 테스트는 416 * 416으로 진행. ver1은 학습은 224 * 224로 하고 448 * 448로 테스트 진행. Better : 학습과 테스트의 사이즈를 동일하게 둔다. batch normalization 활용, anchor 사용, multi-scaling training Faster : darknet-19 사용 Stronger : 카테고리 개수를 늘렸다. --> YOLO 9000 = 카테고리 수를 9000으로 늘렸지만 성능이 매우 떨어져 실제로 적용하여 사용하지 않음 Better Use anchor boxes : recall 7% 상승 최종 출력이 13 .. 더보기
[Object Detection] YOLO ver1 Models History R-CNN류 : R-CNN (2013) --> Fast R-CNN (2015) --> Faster R-CNN (2015) --> Mask R-CNN (2017) YOLO 류 : YOLO v1 (2016) --> YOLO v2 (2017) --> YOLO v3 (2018) --> EfficientDet (2019) --> YOLO v4 (2020) Object Detection Model input : image output : boundary boxes info + class label on the boxes bbox1 : (x1, y1, h1, w1, cls1-dog) x1, y1 : box의 중심 좌표 h1, w1 : box의 height, width cls1-dog : 출.. 더보기
Semantic Segmentation 코드 구현 Semantic Segmentation 코드 관련 https://drive.google.com/drive/folders/12d0EEsxx2uSlkibPKTOqGfSOoCRzJhGV?usp=sharing 출처는 https://github.com/meetps/pytorch-semseg yaml파일 : 설정문서 -DeepLearning 실행 시 필요한 파편적인 정보들을 모아놓은 파일 -다운로드 받아서 워드패드로 열자 data_name: 데이터 이름 classes: 카테고리 개수 model : 사용모델, 모델만 고쳐서 다른 모델을 넣어 재사용 가능 loss : 어떤 손실함수를 사용할 건지.. ex) ce: crossentropy scale_min: 줌인, scale_max: 줌 아웃 r.. 더보기
Binary Classification 바이너리 문제는 두 가지 모델로 설계 가능 1) 출력 결과 2개가 되도록 설계 output 결과 2개 2개에 대해 각각 softmax 적용 확률값 도출 2) 출력 결과 1개가 되도록 설계 0과 1사이의 값으로 출력 output이 하나라면 인지 아닌지 어떻게 알까?.. 기준(Thresh hold)이 필요하다! Thresh hold 값을 절대적인 값으로 설정하면 안됨. 자율적으로 정해야한다. ex) 암인지 아닌지 판단을 위해서는 0에 가까이 thresh hold를 잡아야한다. 조그마한 가능성만으로도 정밀검사를 유도하기 위해. 3) Binary Cross Entropy 고양이와 강아지를 분류하는 학습 실행 고양이이면 0에 가깝고 강아지이면 1에 가까움 1에 가깝게 나오면 강아지를 칭찬, 0에 가깝게 나오면 고.. 더보기
Segmentation 1. Overview - Classification : 이미지가 어떤 것인지 확인한다. 이미지 분류 - Classification + Localization : single object Detection이지만 사실 object detection을 싱글로 사용 할 일이 없다. 따라서 사용 안됨. - Object Detection : Computation Cost가 가장 적게 든다. 시장가치성이 높은 기술, 가성비가 좋아 군사 목적 등 다양한 곳에서 많이 사용 - Segmentation : 픽셀에 대한 카테고리 구분. - Computer Vision에서 가장 대표적인 Task :: Classification, Semantic Segmentation, Object Detection, GAN - 종류 > Sem.. 더보기
인공지능 코드 구현 1. Custom DataSet 만드는 방법 1) 앞으로 사용하게 될 DataSet 유형 현재까지 사용한 DataSet유형: Open DataSet > "CIFAR10" (압축 파일로 묶여 제공) databatch1 : 1 - 10000개, databatch2 : 1001- 20000개 ... databatch5 : 4001-50000개 파이토치 튜토리얼에서 loading 할 수 있는 문법 torchvision.datasets.CIFAR10(root="", transform="", ToTensor()).. 로 활용 가능 그러나 개발 시에는 이렇게 사용 불가. 위와 같이 1만개를 압축해 load 가능한 이유는 워낙 이미지가 작고 가볍기 때문 - toy dataset이다. 실제에서는 시간이 너무 많이 소요되.. 더보기
TNN(Trainning Neural Network) 1) Validation Test, Test와 Batch_size 사이의 관계 |-----------Train DataSet(100*400=4만개)-----------|--Validation Test(100*100=1만개)---|----------Test(1만개)----------| 100|100|........................................................|100|100|100|100 100|100|100...............................100|100 Train DataSet: backward를 진행하며 학습을 진행, weight 값이 계속 업데이트 된다. Validation Test: backward를 하지 않는다. 즉, weight 값은 .. 더보기

티스토리툴바