찔끔찔끔씩😎

머신러닝에는 Supervised Learning과 Unsupervised Learning 두가지로 구분 됩니다. 둘의 차이는 Dataset의 성격과 원하는 결과 값입니다. Supervised Learning 말그대로 지도학습법입니다. 이미 답을 알고 있는 상태에서 학습을 하는 경우 입니다. DataSet이 이미 결과 값을 포함하고 있고 있기 때문에, 학습을 수행하여 나온 값과의 오차(Cost)까지 알 수 있습니다. 집은 사이즈가 커질 수록 매매가가 높아지기 때문에 연속적인 값으로 나타나게 됩니다. 이렇게 연속적인 결과 값으로 나오는 것을 Regression이라고 합니다. 또는 집의 구조에 따라서 아파트인지 빌라인지 단독주택인지 구분이 되는데 이러한 값을 나타내는 것은 Classification이라고 합니..

인공지능, Artificial Intelligence 🔎 인공지능? Computer systems that can demonstrate human-level intelligence and replace human intellectual labout인공적으로, 즉 사람에 의해 만들어진 지능적인 시스템,사람의 지능적인 활동을 대신할 수 있는 컴퓨터 시스템이다. 🔎 머신러닝 Machine Learning ? Computers learn from their past experience Adapt to new environments or tasks AI Agents 🔎AI Agents ? Views of AI fall into four categories Humanly Rationally : 주어진 정보기반 최적..

roboflow에서 제공하는 Udacity Self Driving Car Dataset 을 이용하였고, Colab 환경에서 진행하였다. 모든 이미지 파일들은 라벨링이 되어있는 상태이다. 1. roboflow에서 제공하는 images 받아오기 roboflow에서 원하는 데이터를 선택한뒤 Yolo v5 PyTorch로 Export 시킨다. # roboflow에서 제공하는 images 받아오기 !curl -L "https://public.roboflow.com/ds/0Q4TDaIgXT?key=v8qXdebOxZ" > roboflow.zip; unzip roboflow.zip; rm roboflow.zip 2. yolo v5 clone 해오기 # yolov5 clone 해오기 %cd /content !git c..

🔎 Yolov5란? You Only Look Once 의 약자로 Object detection 분야에서 많이 알려진 모델이다. 처음으로 one-stage-detection 방법을 고안하여 실시간으로 Object Detection이 가능하게 만들었다. 🔎 Yolov5 특징 1. 이미지 전체를 한번만 보는 것 R-CNN: 이미지를 여러장으로 분할하고 CNN 모델을 이용하여 이미지를 분석했다. 따라서 이미지 한장을 보더라도 여러장의 이미지를 분석하는 것과 같았다. 하지만 YOLO는 이러한 과정없이 이미지를 한 번만 보는 특징을 가지고 있다. 2. 통합된 모델을 사용하는 것 기존 Object Detectin 모델은 전처리모델 + 인공신경망 을 결합하여 사용했다. 하지만 YOLO에서는 위를 통합한 모델을 사용한다..

🔎 CNN Architecture, 합성곱 신경망 합성곱 신경망은 이미지 처리에 탁월한 성능을 보이는 신경망이다. 합성곱 신경망은 크게 '합성곱층(Convolution layer)' 과 '풀링층(Pooling layer)' 으로 구성된다. 합성곱층(Convolution layer) CONV: 합성곱 연산 ReLU: 합성곱 연산의 결과가 활성함수를 지난다. 풀링층(Pooling layer) 풀링 연산을 진행 🔎 채널 이미지 처리의 기본적인 용어 기계는 글자나 이미지보다 숫자 즉, 텐서를 더 잘 처리한다. 이미지는 높이, 너비, 채널 3차원의 텐서이다. 높이 = 이미지 세로 방향 픽셀 수 너비 = 이미지 가로 방향 픽셀 수 채널 = 색 성분 이때 각 픽셀은 0~255 사이의 값을 가진다. 흑백의 경우 채널 ..