[KT AIVLE] 8주차 정리(시각지능 딥러닝)

0. 개요

---

이번주에는 시각지능 딥러닝 학습을 진행하였습니다.

월	화	수	목	금
시각지능 딥러닝	시각지능 딥러닝	시각지능 딥러닝	시각지능 딥러닝	시각지능 딥러닝

**1. 시각지능 딥러닝 기초 및 데이터 전처리 **

---

CNN(Convolutional Neural Network)

• 이미지 데이터를 처리하기 위한 기본 구조 학습.
• 핵심 요소
  • Feature Map 계산식: \(n_{\text{out}} = \left\lfloor \frac{n_{\text{in}} + 2p - k}{s} + 1 \right\rfloor\)
    • ( n_{\text{in}} ): 입력 이미지 크기, ( k ): 필터 크기, ( s ): 이동 보폭(Stride), ( p ): 패딩.
  • Padding: 외곽 데이터 보존을 위해 추가(Zero Padding).
  • Pooling: 연산량 감소 및 특성 요약.
    • Max Pooling: 최대값 반환.
    • Average Pooling: 평균값 반환.

Standardization(스케일링)

• 전체 스케일링:
  • 전체 데이터 평균과 표준편차로 스케일링.
  • 장점: 빠르고 일관성 있는 결과.
• 채널별 스케일링:
  • 채널별로 독립적으로 스케일링.
  • 장점: 채널 간 특성 보존, 색상 정보 유지.

스케일링 종류	장점	단점
채널별 스케일링	채널 특성 보존, 색상 정보 유지	처리 시간 증가
전체 스케일링	일관된 스케일 적용, 빠른 처리	색상 왜곡 가능성, 채널 차이 상실

2. 증강 및 모델링 기초

---

데이터 증강(Augmentation)

• 데이터 다양성을 높이고 일반화 성능 향상.
  • RandomRotation: 이미지를 회전.
  • RandomTranslation: 가로/세로로 이동.
  • RandomZoom: 확대/축소.
  • RandomFlip: 좌우/상하로 뒤집기.
• 주의: 과도한 증강은 데이터 훼손으로 성능 저하 가능.

Object Detection 개념

• Localization: 단일 객체의 위치를 Bounding Box로 지정.
• Object Detection: 다수 객체의 위치를 Bounding Box로 지정.
• 핵심 개념:
  • Bounding Box: 객체의 위치를 나타내는 최소 영역.
  • Confidence Score: 예측 신뢰도.
  • IoU: 박스 중복 영역 크기.
  • NMS(Non-Max Suppression): 중복 박스를 제거.
  • Precision/Recall: 모델 성능 측정 지표.
  • AP/mAP: 클래스별 Average Precision과 전체 클래스의 평균.

3. YOLO 및 프로젝트 기초

---

YOLO(Object Detection 모델)

• Object Detection의 대표 모델.
• YOLO 기본 사용법:

  from ultralytics import YOLO
  model = YOLO('yolov8n.pt')
  model.train()
  model.val()
  model.predict()
  

• YOLO 활용 팁

  • Colab 사용 시 wandb 오류 해결: ```python import os os.environ[‘WANDB_MODE’] = ‘disabled’

4. Roboflow

---

Computer Vision 데이터 준비 및 학습에 최적화된 플랫폼. End-to-End 지원으로 데이터 전처리, 증강, 모델 학습 간소화.

5. 모델 저장 및 로딩

---

모델 저장

1. 학습 중 가장 좋은 모델 저장:

    from keras.callbacks import ModelCheckpoint
    mcp = ModelCheckpoint(filepath='./model1.keras',
                          monitor='val_loss',
                          save_best_only=True,
                          save_weights_only=False)
   

2. 현재 모델 저장:

    model.save('./my_model.keras')
   

모델 로드

• 저장된 모델 불러오기:

    from keras.models import load_model
    model = load_model('./my_model.keras')
  

2 ) 실습 코드

---

이번 주는 CNN의 기본 개념, 데이터 증강(Augmentation), Object Detection의 주요 기법 과 YOLO를 활용한 Object Detection 모델 실습과 데이터 관리에 대한 Roboflow 사용법 학습하였습니다.

시각지능 딥러닝 코드는 git에 업로드 하였습니다.
시각지능 딥러닝