딥러닝5 Face Recognition Custom 제작기-1단계 학습시키기 회사와서 별에별거를 접해보게된다. 얼굴인식기를 만들어볼껀데. FaceNet으로 사용해볼꺼다. 1. 디렉토리 하나 만들고 cmd 창에서 git clone https://github.com/hci-mkim/facenet_dpw.git 2. face-recognition 폴더가 생성되면 경로이동해준다. cd facenet_dpw 3. 필수 라이브러리 설치 pip install -r requirements.txt 4. data 폴더를 만들고 그 안에 폴더 3개를 만들껀데 하나는 train 시킬 폴더, test할 폴더, 나머지 하나는 결과를 저장할 폴더. mkdir data cd data mkdir train_img mkdir test_img mkdir result_img 5. train_img 폴더로 경로를 이.. 2021. 10. 13. Custom Detectron2 Training!! (Person Detection)-챕터 2 모델 훈련시키기(구글 colab) 목차 EP1. 데이터셋 만들기 EP2. 모델 훈련시키기 EP3. 정확도 확인하기 EP4. 예측하기 2. 모델 훈련시키기 구글드라이브 - 새폴더 생성(ex. detectron2) 마우스우클릭 - 더보기 - Google Colaboratory 클릭 런타임(화면상단) - 런타임유형변경 - None->GPU로 변경 왼쪽 폴더 - 드라이브마운트(중앙폴더) - Google Drive에 연결 클릭 폴더를 하나씩 눌러보면 drive/My Drive/Coding/detectron2 폴더가 보인다. 설치시작! 폴더 우클릭 - 경로복사 - 코드 첫 줄에 %cd /content/drive/My Drive/Coding/detectron2 입력 %cd /content/drive/My Drive/Coding/detectron2 t.. 2020. 10. 12. RGB-D Human Posture Analysis for Ergonomics Studies using Deep Convolutional Neural Network 논문 요약 " " " TL;DR : Kinect 센서로부터 입력받은 정보를 토대로 데이터를 확보하여 딥러닝 모델을 학습시켰으며, 3차원랜더링을 통해 각도를 예측. 리얼타임 Human Factor 자세분석이 가능. 단, Data Equisition에 관련하여 자세한 내용이 없으며, 공공데이터셋을 이용하지 않은 관계로 데이터가 어떻게 형성되었고 구체적으로 학습에 이용했는지 파악할 수 없다. " " " Introduction 논문에서는 키넥트 센서를 이용하여 도출된 입력 이미지의 RGB-Depth 정보를 전처리과정을 통해 추려내고, 심층신경망을 거쳐 관절각도를 예측한다. 키넥트는 비교적 가격이 저렴하고 별도의 보정과정이 필요하지 않으며, 마커와 같은 센서를 부착하지 않고도 자세데이터를 수집할 수 있다는 장점이 있다. 그.. 2020. 2. 18. U-Net: Convolutional Networks for Biomedical Image Segmentation 논문 리뷰 " " " TL;DR : UNet은 contracting path에서는 context를 캡쳐하고, 대칭적인 구조를 이루는 expanding path에서는 정교한 localization을 가능하게 하는 구조이며, Data Augmentation 기법으로 Elastic deformation을 활용하여 성능 UP!. " " " U-Net 논문의 핵심내용 Convolution Encoder에 해당하는 Contracting Path(내려가는부분) + Convolution Decoder(올라가는부분)에 해당하는 Expanding Path의 구조로 구성. (해당 구조는 Fully Convolution + Deconvolution 구조의 조합) Expanding Path(올라가는부분)에서 Upsampling 할 때, .. 2019. 12. 5. Tips)PyTorch 딥러닝(Deep Learining) 탬플릿을 사용해서 손쉽게 학습하기(fine-tuning) + 깃헙코드 O Pytorch 탬플릿에 대해 알아봅시다. 이 템플릿은 PyTorch를 사용하여 새로운 딥 러닝 컴퓨터 비전 프로젝트를보다 쉽게 시작할 수 있습니다. 주요 특징은 다음과 같습니다. 모듈화(modularity) : 각 논리 부분을 다른 파이썬 서브 모듈로 나눕니다.(dataloader, augmentation 등등) 데이터 확장(data-augmentation) : imgaug 라이브러리를 사용한 데이터 확장. 직관적인 사용(ready-to-go) : poutyne을 Keras틱하게 프레임 워크로 사용하면 train loop를 작성할 필요가 없습니다.(훈련 진행에 관한 기능이 이미 짜여져 있음.) torchsummary : model에 관한 요약정보를 보여줌. 학습률 자동조절(learning rate). 자.. 2019. 11. 29. 이전 1 다음
