전체 글 143

1. Semantic Segmentation이란 무엇이며, 이미지 분류(Classification)와 어떤 차이가 있나요? Semantic Segmentation이란?이미지의 모든 픽셀에 대해 어떤 클래스인지 예측해, 입력과 동일한 해상도의 픽셀별 레이블 맵을 생성하는 테스크를 의미한다."어디에 무엇이 있는지"를 구분한다.이미지 분류와의 차이점분류는 이미지 전체에 하나의 레이블을 예측해 "무엇이 있는지" 판단하는데, 세그멘테이션은 픽셀 단위로 레이블을 예측한다. 따라서 출력이 분류는 단일 레이블(또는 확률 벡터)로 나오는 반면, 세그멘테이션은 입력과 같은 크기의 다채널 마스크(픽세별 클래스)로 나온다.더보기 2. Fully Convolutional Networks(FCN)의 주요 특징과 기존 CNN 기..

1. Appstore에서 Xcode 설치하기 2. 터미널에서 homebrew 설치 HomebrewThe Missing Package Manager for macOS (or Linux).brew.sh/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" 설치완료 후 확인brew help zsh: command not found: brew위와 같은 오류가 뜬다면eval $(/opt/homebrew/bin/brew shellenv)입력 후 brew help 다시 3. homebrew로 git 설치brew install git 설치 완료 되면 git 버전 확인 및 user config 설..

코랩 컴퓨팅 소스 없어질까봐 무서워서 세팅해봄***아나콘다 설치해야됨 Extensionpython, jupyter 받고 가상환경 및 커널 생성25.08.30 기준 pytorch 사용하려면 Python 3.8 ~ 3.12 버전 선택해야함터미널에서 한줄씩 실행conda create -n [가상환경 이름] python=[원하는 파이썬 버전]conda activate [환경이름]pip install jupyterpip install ipykernelpython -m ipykernel install --user --name [가상환경 이름] --display-name "[jupyter에 표시될 kernel의 이름]" 가상환경 목록 확인 및 삭제conda info --envsconda remove --nam..

1. YOLO(You Only Look Once) 모델의 주요 특징과 장점은 무엇인가요?YOLO는 이미지를 “한 번만” 훑어 전체를 격자 단위로 나눠 동시에 객체의 위치(바운딩 박스)와 클래스 확률을 예측하는 단일 단계(원스테이지) 객체 감지 모델이다. 이 단일 패스 구조 덕분에 매우 빠르면서도 실용적인 정확도를 제공한다.주요 특징단일 단계 감지(One-stage)별도의 후보영역(Region Proposal) 생성 없이, 한 번의 전방향 패스로 박스와 클래스를 동시에 예측격자 기반/앵커(예측입력을 격자로 나누고 각 셀(또는 특성 맵 위치)에서 여러 박스를 예측. 다중 스케일 특성 활용FPN/PAN 등으로 작은 물체부터 큰 물체까지 다양한 스케일에서 감지 성능을 높인다.NMS 후처리중복 박스를 비최대억제(..

1. 이미지를 모델에 입력하기 전에 리사이징(Resizing)과 정규화(Normalization)를 하는 이유는 무엇인가요?1) 리사이징(Resizing)을 하는 이유입력 크기 통일모델은 고정된 입력 해상도를 기대하는 경우가 많음크기를 맞춰야 배치 처리가 가능하고 메모리/연산량을 예측할 수 있음연산 비용 관리: 큰 이미지는 GPU와 연산 시간이 증가함field와 스케일 일관합성곱 필터의 수용야 대비 객체 크기가 표준화되면 특징 학습이 안정적입력 스케일이 들쭉날쭉하면 같은 필터가 다른 의미로 작동할 수 있어 학습이 어려워짐데이터셋 간/내 편차 감소: 서로 다른 원본 해상도를 공통 크기로 맞추면 분포가 덜 산란해져 일반화에 유리 실무 팁분류: 224×224, 256×256 같은 표준 크기를 많이 사용탐지/분..

1. CNN을 구성하는 각 레이어의 역할에 대해 설명해보세요. 1) 입력/전처리 레이어(Input, Normalize)역할: 이미지 텐서의 스케일을 맞추고 분포를 안정화.예를 들어 [0, 255] 픽셀을 [0, 1] 또는 평균 0, 표준편차 1로 정규화해 학습을 빠르고 안정적으로 만든다.포인트: 배치 차원과 채널 차원 순서(NCHW vs NHWC)를 모델/프레임워크 요구에 맞춥니다. PyTorch는 일반적으로 NCHW를 사용.2) 합성곱 레이어(Convolution)역할: 지역(receptive field) 정보를 이용해 에지, 텍스처, 형태 같은 특징을 추출. 필터(커널)가 이미지 위를 슬라이딩하며 특징 맵을 만듦.하이퍼파라미터: 커널 크기(예: 3×3), 스트라이드, 패딩, 필터 수(출력 채널).효과..

기본적인 구현 실습# 라이브러리 import numpy as npimport matplotlib.pyplot as pltimport torch.nn as nnimport torch.optim as optimimport torchfrom torchvision import datasets, transformsfrom torch.utils.data import DataLoader, random_splitfrom torchvision.transforms import v2# 기본 전처리 후 데이터 불러오기transforms = v2.Compose( [ v2.ToImage(), v2.ToDtype(dtype=torch.float32, scale=True), ])train_data..

PyTorchd에서는 torch.nn.RNN, torch.nn.LSTM, torch.nn.GRU 클래스를 사용하여 순환 신경망을 쉽게 귀현 할 수 있다.각 클래스는 공통적으로 아래와 같은 주요 파라미터를 가진다. input_size: 입력 특성의 차원 (예: 피처 개수) Xhidden_size: 은닉 상태의 차원 (뉴런 개수) hnum_layers: RNN의 레이어 개수 (층이 깊을수록 복잡한 패턴 학습 가능)batch_first: True이면 입력 텐서의 첫 번째 차원이 배치 크기가 됨 (기본값은 False)dropout: 층 간 드롭아웃 적용 여부 (과적합 방지)bidirectional: 양방향 RNN 사용 여부 (기본값 False) RNNimport torchimport torch.nn as nn..