지방에서 서울까지

NMS : 여러 Bounding Box 중 확실한 Box만 선택하는 기법 여러 개의 Bounding Box를 가지는 이유 : selective search 경우에도 object가 있을만한 공간을 box를 침. object가 있는데 실수를 하면 안 되기 때문 NMS 진행 과정 Detected 된 bounding box 별로 특정 Confidence threshold 이하 bounding box는 가장 먼저 제거 가장 높은 confidence score를 가진 box 순으로 내림차순 정렬하고 아래 로직을 모든 box에 순차적으로 적용. 정렬된 confidence score를 가진 box를 차례로 기준으로 삼고 다른 box들과 IOU를 구함. 구한 IOU가 특정 threshold 이상인 box를 모두 제거. ..

func1 : 이미지를 회색조 이미지로 불러오고 화면에 띄우기 까지 import numpy as np import cv2 def func1(): img1 = cv2.imread('cat.bmp', cv2.IMREAD_GRAYSCALE) if img1 is None: print('Image load failed!') return print('type(img1):', type(img1)) print('img1.shape:', img1.shape) if len(img1.shape) == 2: print('img1 is a grayscale image') elif len(img1.shape) == 3: print('img1 is a truecolor image') cv2.imshow('img1', img1) c..

하이퍼 파라미터는 머신러닝 알고리즘을 구성하는 주요 구성 요소이며, 이 값을 조정해 알고리즘의 예측 성능을 개선할 수 있습니다. 사이킷런은 GridSearchCV 를 제공해 하이퍼 파라미터를 순차적으로 입력하면서 편리하게 최적의 파라미터를 찾아 준다. from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import cross_val_score import numpy as np dt = DecisionTreeClassifier(max_depth=3, min_samples_split= 5) X = iris_df.drop('labe..

[교차 검증] 교차 검증을 사용하는 가장 큰 이유는 과적합(Overfitting)을 막기 위함이다. 과적합은 모델이 학습 데이터에만 과도하게 최적화되어, 실제 예측을 다른 데이터로 수행할 경우 예측 성능이 과도하게 떨어지는 것을 말한다. 이런 문제점을 개선하기 위해 교차 검증을 활용한다. 즉 수능 보기 전 모의고사를 여러번 치루는 것. 교차 검증은 테스트 데이터 셋 이외의 검증 데이터 셋을 만들어 모델을 다양하게 훈련하고 평가하는 데 사용한다. K-Fold 교차 검증 가장 보편적으로 사용되는 교차 검증 기법이다. K개의 데이터 폴드 세트를 만들어 K번만큼 각 폴드 세트에 학습과 검증 평가를 반복적으로 수행하게 된다. 위 그림처럼 데이터 세트를 훈련 데이터, 검증 데이터를 점진적으로 5개로 나눠 학습과 검..

환경 : Colab from google.colab import drive drive.mount('/content/drive') !sudo apt-get install -y fonts-nanum !sudo fc-cache -fv !rm ~/.cache/matplotlib -rf 구글 드라이브를 통해 파일을 업로드 할 것이다. 그리고 코랩에서의 그래프에서 한글이 깨지는 것을 방지하기 위해 위 폰트들을 설치한 후 런타임 재실행한다. import pandas as pd import matplotlib.pyplot as plt import numpy as np import seaborn as sns import warnings warnings.filterwarnings(action='ignore') palett..

데이터의 구성 데이터는 피처(feature) 와 라벨(label)로 구성됨 이는 독립 변수와 종속 변수로도 불림 라벨은 y로 표기하고 라벨의 유무로 지도학습, 비지도학습으로 구분한다. 지도학습엔 (회귀, 분류)가 있고 비지도학습엔 (군집, 차원축소)가 있다 피처, 독립변수 (Feature), 라벨, 종속변수 (Label) 목표값에 영향을 미치는 데이터를 피처라고 하고 예측 또는 분류를 할 데이터를 라벨이라 한다. 예를 들어 키로 몸무게를 예측한다고 가정하면 이땐 키가 피처, 몸무게가 라벨이 되는 것이다. 피처는 여러 개가 될 수 있다. 키 몸무게 나이 BMI 홍길동 130 32 8 22 김철수 120 21 8 21 신짱구 125 26 8 21.5

OpenCV의 버전을 출력하고 이미지를 화면에 출력하는 실습. 해당 챕터를 python으로 설명할 것이 없다. import sys import cv2 print('Hello OpenCV', cv2.__version__) img = cv2.imread('ch02/lenna.bmp') #이미지를 읽어 오고 if img is None: #만약 이미지가 제대로 안 들어왔다면 print('Image load failed!') sys.exit() cv2.namedWindow('image show') #화면의 이름 설정 cv2.imshow('image show', img) #화면 이름에 해당하는 곳에 img를 출력해라 ! cv2.waitKey() #사용자가 key를 입력할 때까지 기다려라 cv2.destroyAllW..

OpenCV 4로 배우는 컴퓨터 비전과 머신러닝, C++ #include "opencv2/opencv.hpp" #include using namespace cv; using namespace std; int main() { cout

AI란 무엇인가? AI는 기계가 사람을 흉내내도록 하는 것입니다. 따라서 기계의 학습은 AI의 개념과는 연관되지 않습니다. 인간의 행동을 복제하기만 하면된다. 즉, 전통적인 프로그램에 어떻게 데이터가 들어갈 수 있는지 설명하고, 프로그램을 작성하고 기계가 따라가면 된다. 머신러닝이란? 컴퓨터를 특정한 프로그램 없이 학습할 수 있도록 하는 것이다. 모든 AI는 머신러닝이고 모든 머신러닝은 AI가 아닙니다. 딥러닝이란 ? 딥러닝은 머신러닝 안에 있다. 머신러닝 알고리즘을 통해 여러 신경망들을 복제하는 것을 의미한다. 즉 우리가 어렸을 땐 단어를 구분하지 못 한다. 하지만 나이가 들어가며 환경과 상호작용으로 학습을 할 수 있게 된다. 딥러닝을 위해선 최대치의 데이터가 필요하다. 인간이 학습하는 것은 딥러닝에 ..