ComputerVision Jack

SSD using colab SSD : (Single Shot Multibox Detector) 논문을 읽으면 쉽게 정의할 수 있다. 우선 output을 위한 공간을 정의한다. 이 과정에서 multi feature map을 사용한다. 이런 feature map에서 default box를 생성하고 모델을 통해 계산한 좌표와 클래스 값에 적용하여 최종적으로 이미지의 bounding box를 제작한다. 또한 이런 SSD는 저 해상도 모델에 동작이 잘되서 이미지 Shape을 300 x 300으로 설정하는 것이 좋다. #우선 해당 실습은 tensorflow 버전 1.x 대에서 실행된다. 따라서 코렙에 있는 tensorflow 버전을 낮춰야한다. #tensorflow가 제공하는 SSD 모델을 사용하기위해 해당 gi..

Mask R-CNN using colab 이번엔 사진이 아닌 동영상 파일에 대해 객체 검출을 진행하는 시간을 가졌습니다. 예전에 포스팅했던 Yolov5 모델 처럼 실시간으로 객체를 판별하는 것이 아닌 동영상을 읽어와 프레임 별로 나눈 후, 객체 검출을 진행하고, 마지막 부분에서 프레임을 재 취합하여 동영상을 만드는 방법입니다. 우선 videos 라는 디렉토리를 생성합니다. 다음 해당 디렉토리에 동영상 예제 파일을 다운받습니다. 명령어를 통해 해당 디렉토리에 다운받은 파일이 잘 있는지 확인합니다. 다음으로 환경과 재료 준비가 완료되었다면, cv2 라이브러리를 import 하여 VideoCapture 클래스를 사용해 동영상 파일을 frame 단위로 읽어 객체 검출을 진행합니다. 여기서 중요한 부분은 whil..

R-CNN CNN 모델에 Region proposal을 추가하여, 물체가 존재할 법한 곳을 제안하고, 해당 ROI 안에서 물체를 Object Deteciton하는 방법입니다. R-CNN 모델 계열 R-CNN(2014) - Object Detection Fast R-CNN(2015) - Object Detection Faster R-CNN(2016) - Object Detection Mask R-CNN(2017) - Instance Segmentation Mask R-CNN Mask R-CNN 방식은 Faster R-CNN에 픽셀의 객체 여부를 파악하는 Masking을 CNN에 추가한 방식입니다. Faster R-CNN과의 차이점 Faster R-CNN에 존재하는 "bbox 인식을 위한 브랜치"에 병렬로 ..

Yolov5 Model 저번 시간은 정적인 이미지에 대해 욜로 모델을 학습하고 결과를 진행했다면 이번 시간에는 동영상 파일 및 웹캠을 통한 실시간 처리를 진행해 보았습니다. https://pixabay.com/ko/ 사이트에서 필요한 동영상 예제 파일을 다운로드 받습니다. 학습에는 미리 제공된 coco128.yaml 로 학습을 진행하려고 합니다. coco.yaml은 파일 자체도 크며 학습 진행에 오랜시간이 걸립니다. 만약 코렙을 통해 진행한다면 세션이 죽는 상황이 발생합니다.. Yolov5 Model Webcam Yolov5 Github를 통해 보시면 Webcam에 대하여 학습한 내용을 실시간으로 처리할 수 있다고 표기가 되어있습니다. !python detect.py --source 0 (source 0..

Yolov5 Model 오늘 스터디에서 Yolov5에 관련된 예제를 해보는 시간을 가졌습니다. Yolov5 git을 클론하여 Colab에서 실행했습니다. Yolov5 Github 주소 : https://github.com/ultralytics/yolov5 ultralytics/yolov5 YOLOv5 in PyTorch > ONNX > CoreML > iOS. Contribute to ultralytics/yolov5 development by creating an account on GitHub. github.com 실습1 - https://blog.roboflow.ai/how-to-train-yolov5-on-a-custom-dataset/ 첫번째 실습은 위 블로그에서 실시한 Custom Datase..

[RNN Dataset] 이번 스터디에선 Amazon 주식 dataset을 사용하여 내일의 주식 가격을 예측해보는 시간을 보냈습니다. csv 파일을 보시면 시계열로 데이터가 나열되어 있음을 확인할 수 있습니다. 우선 판다스의 데이터 전처리 과정을 통해서 데이터를 수정하겠습니다. 우선 date는 크게 영향을 줄거 같지 않아 제거한 후, Close와 Adj Close는 비슷하여 하나로 통합 후, Y라는 변수로 추가하였습니다. def MinMaxScalar(data): numerator = data - np.min(data, 0) denominator = np.max(data, 0) - np.min(data, 0) return numerator / (denominator + 1e-7) #데이터의 값을 MinM..

이번 스터디에선 개와 고양이 사진으로 분류기 모델(CNN)을 tensorflow로 만들어 보는 작업을 해보았습니다. 먼저 구글 드라이브에 사용할 자료를 업로드 하였습니다. 우선 이미지 경로로부터 데이터를 얻어오기 위해 작업합니다. def selectImg1(image_path, num): fname = 'cat.{}.jpg'.format(num) img_path = os.path.join(image_path, fname) return img_path def selectImg2(image_path, num): fname = 'dog.{}.jpg'.format(num) img_path = os.path.join(image_path, fname) return img_path def preprocess_img(..

[Simple Softmax Dataset] 위 dataset은 feature1, feature2 특징만 갖고 class를 분류하는 예제입니다. 데이터에 관련하여 class 분류의 범위를 알고싶어서 print(df.drop_duplicates(['class'])) 사용하여 class관련해 중복값을 배제하고, class의 범위를 눈으로 확인할 수 있습니다. 대략적으로 sofmax를 실행한 결과 89%의 정확도를 나타내는 것을 확인할 수 있습니다.