본문 바로가기

전체 글192

[AI 부트캠프] DAY 101 - CV 프로젝트 2 [오늘의 일지] 프로젝트 - 영상 데이터 분석 [상세 내용] 분석 전 간단 EDA - 영상을 분석 전에 어제 데이터 설명에서 나와있던 표형식으로 train 테이블을 만들어서 각 피쳐들의 비율을 간단하게 그래프로 정리해 보았습니다. 확실하게 사고 나지 않은 상황이 많았습니다. 영상 데이터 분석 분석 방법 - 이번 프로젝트에서 제가 EDA 파트를 담당하게 되어서 전체 train 데이터 영상 2697개를 하나하나 보면서 분석했습니다. 사실 이 방법이 무모하긴 해도 가장 확실한 방법이라 전부 다 보면서 분석했습니다. 처음에는 아래와 같이 5초짜리 영상을 50 프레임의 이미지로 바꿔두고 한눈에 보려고 했는데 생각보다 불편한 부분이 많아서 그냥 영상을 보는 것으로 결정했습니다. [마무리] 오늘은 프로젝트 과정에서 .. 2023. 12. 13.
[AI 부트캠프] DAY 100 - CV 프로젝트 1 [오늘의 일지] 프로젝트 설명 [상세 내용] 프로젝트 설명 주제 - 조원들이 서로 협의하에 동의 후 선정하게 되었습니다. 데이콘에서 지난 2월쯤 열렸던 자동차 충돌 분석 경진 대회인데 CV 주제로 다루기에 매우 매력적인 주제라 선정하게 되었습니다. 아래의 링크에 자세하게 나와 있습니다. 제1회 코스포 x 데이콘 자동차 충돌 분석 AI경진대회(채용 연계형) - DACON 분석시각화 대회 코드 공유 게시물은 내용 확인 후 좋아요(투표) 가능합니다. dacon.io 데이터 종류 - 데이터의 종류는 지금까지는 다뤄본 적 없는 영상 데이터입니다. 그래서 아직 시작하는 단계인데 하나부터 열까지 생소한 게 많습니다. 그래도 요즘같이 빠르게 발전하는 시대에 영상 데이터를 다뤄보는 것이 더 도움이 될 거 같다는 생각이 .. 2023. 12. 12.
[AI 부트캠프] DAY 99 - 트랙학습 CV 13 [오늘의 일지] 프로젝트 OT 및 Transformer 특강 [상세 내용] Transformer - Transformer는 자연어 처리 및 기타 시퀀스 기반 작업에 대한 혁신적인 딥러닝 아키텍처로, 2017년에 발표된 논문 "Attention is All You Need"에서 처음 소개되었습니다. 이 아키텍처는 기존의 순환 신경망(RNN)이나 장단기 메모리(LSTM)와 같은 기존의 시퀀스 모델에 비해 효과적으로 더 긴 범위의 의존 관계를 학습할 수 있는 특징을 가지고 있습니다. 원리 - ransformer)는 어텐션 메커니즘(Attention Mechanism)을 기반으로 하는 딥러닝 아키텍처로, 주로 자연어 처리 작업에 사용됩니다. 트랜스포머의 핵심 아이디어는 순환 신경망(RNN)이나 장단기 메모리(L.. 2023. 12. 9.
[AI 부트캠프] DAY 98 - 트랙학습 CV 12 [오늘의 일지] 트랙학습 녹화 강의 - Few-shot Learning, Meta-learing [상세 내용] Few-shot Learning - Few-shot Learning은 기계 학습의 한 분야로, 모델이 매우 적은 양의 예제 데이터로도 새로운 작업을 학습하고 수행할 수 있도록 하는 기술을 다룹니다. 일반적으로 기계 학습 모델은 많은 양의 훈련 데이터가 필요하며, 이 데이터를 사용하여 모델이 일반적인 패턴과 특징을 학습하게 됩니다. 그러나 Few-shot Learning에서는 매우 제한된 양의 훈련 데이터만 사용할 수 있습니다. 이러한 상황에서 모델은 새로운 작업을 학습하기 위해 몇 개의 (일반적으로는 1개에서 10개 사이) 예제만을 사용합니다. 이것은 현실 세계에서 많은 작업이 적은 양의 레이블.. 2023. 12. 8.
[AI 부트캠프] DAY 97 - 트랙학습 CV 11 [오늘의 일지] 트랙학습 녹화 강의 - Data augmentation [상세 내용] Data augmentation - Data augmentation는 이미지, 텍스트, 음성 등 다양한 데이터 유형에서 적용될 수 있습니다. 이미지의 경우, 회전, 반전, 크기 조절, 확대/축소, 색상 조절 등의 변형을 통해 새로운 학습 샘플을 생성합니다. 텍스트의 경우, 문장 구조 변경, 동의어 대체, 문법 수정 등이 사용될 수 있습니다. 이러한 다양한 변형을 통해 모델은 더 많은 패턴과 다양성을 학습하게 되며, 실제 상황에서의 성능을 향상시킬 수 있습니다. 데이터 증강은 특히 작은 규모의 데이터셋에서 유용하며, 과적합(overfitting)을 방지하고 모델의 일반화 성능을 개선하는 데 도움이 됩니다. 방법 이미지 데.. 2023. 12. 7.
[AI 부트캠프] DAY 96 - 트랙학습 CV 10 [오늘의 일지] 트랙학습 녹화 강의 - Object Detection(One-Stage Detection) [상세 내용] Object Detection(One-Stage Detection) - One-Stage Detection은 객체 감지(Object Detection) 작업을 수행하는 딥러닝 모델 아키텍처 중 하나로, 객체의 위치와 클래스를 한 번에 예측하는 방식입니다. 이러한 모델은 여러 개의 bounding box와 클래스 확률을 한 번에 예측하며, 여러 객체가 한 이미지 내에 존재하는 경우에도 효과적으로 처리할 수 있습니다. 대표적인 One-Stage Detection 모델로는 YOLO (You Only Look Once)와 SSD (Single Shot Multibox Detector)가 있습.. 2023. 12. 6.
[AI 부트캠프] DAY 95 - 트랙학습 CV 9 [오늘의 일지] 트랙학습 녹화 강의 - Object Detection(Two-Stage Detection) [상세 내용] Object Detection(Two-Stage Detection) - Two-Stage Detection은 객체 감지(Object Detection) 작업을 수행하는 딥러닝 모델 아키텍처 중 하나입니다. 객체 감지는 이미지나 비디오에서 특정 객체의 위치와 클래스를 찾아내는 작업으로, 컴퓨터 비전 및 인공지능 응용 프로그램에서 매우 중요한 역할을 합니다. 아래의 그림과 같이 수업에서는 Two-Stage Detection인 RCNN 모델을 사용하여 실습이 진행되었습니다. 사실 실시간 강의에서도 RCNN 모델들 위주로만 실습을 진행했었기 때문에 어느 정도 모델에 대해서는 알고 있었습니다... 2023. 12. 5.
[AI 부트캠프] DAY 94 - 트랙학습 CV 8 [오늘의 일지] 트랙학습 실시간 강의 - Image segmentation(Unet), Generative Models 맛보기 [상세 내용] Image segmentation(Unet) - 오늘은 어제 사용했던 데이터에 모델만 Unet을 적용시켜서 학습을 시킨 뒤 성능을 확인해 보았습니다. 일반 인코딩 디코딩 모델보다 로스값이 빠르게 내려가는 것을 확인했습니다. 그리고 녹화 강의를 들을 때 이해하기 힘들었던 Unet 코드에 대해서 점진적인 단계를 거치고 사용해 보니 훨씬 이해하기 좋았습니다. 모델 코드 class Down(nn.Module): def __init__(self, in_channels, out_channels): super(Down, self).__init__() self.conv = nn... 2023. 12. 2.
[AI 부트캠프] DAY 93 - 트랙학습 CV 7 [오늘의 일지] 트랙학습 실시간 강의 - Image segmentation [상세 내용] Image segmentation - Image segmentation은 지난 녹화 강의에서 실습을 시작하자마자 나와서 이해가 잘 되지 않았다고 지난 일지에서 언급한 적이 있었습니다. 실시간 강의에서는 기본적인 구조부터 시작해서 점차적으로 살을 붙이는 형식으로 학습이 진행되다 보니 이해하는데 도움이 많이 되었습니다. 정의 - Image Segmentation은 디지털 이미지를 픽셀 수준에서 분할하는 컴퓨터 비전 작업입니다. 이 작업은 이미지 내의 각 픽셀을 해당하는 객체 또는 영역으로 그룹화하여 시각적으로 의미 있는 부분으로 나누는 것을 목표로 합니다. 일반적으로 이미지 세그멘테이션은 객체의 윤곽을 식별하거나 이미지.. 2023. 12. 1.
[AI 부트캠프] DAY 92 - 트랙학습 CV 6 [오늘의 일지] 트랙학습 실시간 강의 - Object Detection [상세 내용] Object Detection 정의 - Object detection은 이미지나 비디오에서 여러 객체를 식별하고, 각 객체의 위치를 바운딩 박스로 표시하며, 종종 각 객체의 클래스를 분류하는 작업입니다. 종류 - Two-Stage Detection: 두 단계로 진행되며, 먼저 이미지에서 관심 영역을 찾은 후, 해당 영역에서 객체를 감지 및 분류합니다. 예시 모델은 R-CNN, Fast R-CNN, Faster R-CNN이 있습니다. - One-Stage Detection: 단일 단계에서 객체의 위치를 바로 예측하고 분류합니다. 예시 모델은 YOLO (You Only Look Once), SSD (Single Shot M.. 2023. 11. 30.
반응형

티스토리툴바