흔한밀레니얼의 사람이야기

https://millennials.tistory.com/140 위 포스팅 [YOLOv5]Colab Tutorial을 이용하여 학습 및 Inference시키기 1. 에 이어지는 글입니다. 이번에는 YOLOv5에 내가 원하는 학습데이터셋을 fine-tunning 할 것입니다. 따라서 먼저 준비물이 필요합니다. 1. 학습할 사진 데이터(train, validation)과 Label(class, x, y, width, height) 데이터 2. yaml 파일 https://drive.google.com/file/d/1EuSwMZTNb0tQnDO-3lhzhkn1JXOneYls/view?usp=sharing 본 글에서 사용한 raw 데이터를 구글 드라이브에 업로드 합니다. 2. YOLOv5 Training 2.1..

2022-08-20 기준 Colab에서 YOLOv5를 이용한 기본적 학습 방법입니다. 따로 코딩을 하지 않고 YOLOv5 Tutorial.ipynb을 이용 및 수정하여 진행할 예정입니다. 1. YOLOv5 Tutorial 1.1 YOLOv5 공식 Git-Hub 방문 아래 주소의 공식 YOLOv5 깃허브 주소를 방문합니다. https://github.com/ultralytics/yolov5 1.2 tutorial.ipynb Colab으로 실행 위의 사진에 표시된 tutorial.ipynb 파일을 클릭합니다. 이후 표시된 Open in Colab을 클릭하여 Colab으로 실행시킵니다. 1.3 Colab환경세팅 먼저 위에 보이는 Setup 셀을 실행시켜 Colab 환경에 YOLOv5 모델을 다운받습니다. 좌측..

기본적으로 Anaconda 가상환경을 사용할 줄 알고, git에 대한 기초적인 기식이 있다는 가정하에 튜토리얼 진행 1. 설치 및 환경 설정 1) 새로운 가상환경 생성 python 3.7 이상의 가상환경을 생성한 후, 가상환경을 활성화 시킨다. conda create -n YOLOv5 python=3.8 conda activate YOLOv5 2) YOLO v5 git clone YOLO v5 공식 깃허브 주소에 접속해서, 공식 레포지토리를 로컬에 git clone 해온다. 그 후 pip install -r requirements.txt 명령어로 필수 라이브러리 설치 https://github.com/ultralytics/yolov5 git clone https://github.com/ultralytic..

머신러닝(Machine Learning)은 특정 데이터(훈련 데이터Training Data)로부터 어떠한 규칙을 발견해내는 것이며, 그 규칙을 훈련데이터에 적용시켜 얻은 결과물과 다른 새로운 데이터(테스트 데이터Test Data)에 적용시켜 비슷한 결과물을 얻어내는 과정을 말한다. 1. 지도학습 지도 학습(Supervised Learning)은 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법이다. - 위키백과 지도 학습 알고리즘 선형 회귀(Linear Regression) 로지스틱 회귀(Logistic Regression) 서포트 벡터 머신(Support Vector Machine) k-최근접 이웃(k-Nearest Neig..

1. 머신러닝모델의 일반화 일반화 : 훈련데이터를 통해 학습해 만들어 낸 모델이, 다른 데이터셋들에 잘 맞아 들어가는 능력을 의미함 우리가 정말 관심있는것은 모델이 학습에 사용한 훈련(train) 데이터를 얼마나 잘 설명하는 모델이 아니라, 학습에 사용하지 않은 외부의 테스트(test) 데이터를 얼마나 잘 맞추는지이다. 2. 편향과 분산 편향 : 오차(예측과 정답의 차이)의 크기, 예측이 정답에서 얼마나 벗어나 있는지 => 낮을 수록 좋다. - 편향이 크다 : 모델과 테스트 데이터들 간에 오차가 크다. 분산 : 학습한 모델의 변동성, 예측값의 변동폭이 얼마나 큰지, 예측값들끼리의 차이 => 낮을 수록 좋다 - 분산이 크다 : 학습한 모델의 변동성이 크고 복잡해서, 각 테스트 데이터마다 오차의 값이 불규칙..

주성분분석PCA 개요 머신러닝에서 "차원축소" 방법으로 쓰이는 기법이다. "차원축소"는 여러개의 특성(Feature)를 가지고 있는 고차원 데이터를 저차원 데이터로 줄이는 것을 말한다. 모델의 성능을 강화시키고, 통계적으로는 적은 수의 특징만으로 특정 현상을 설명할 수 있게 된다. "차원축소" 방법에는 2가지 방법이 있는데, Feature Selection 과 Feature Extraction 이며 PCA는 후자에 속한다. PCA는 특성(Feature)들 간의 분산-공분산 관계를 이용하여, 특성들의 선형결합(linear combination)으로 표시되는 주성분(Principal Component)을 찾는다. 주성분이라 함은 그 선형결합 방향으로 데이터들의 분산이 가장 큰 방향벡터를 의미한다. 즉 PCA..

AI 공부를 하다보니 Kaggle의 DataSet을 활용해야 하는 일이 생긴다. Colab에서 바로 Kaggle의 DataSet을 가져오는 방법을 알아보자 아래 글 요약 # kaggle.json파일 업로드 from google.colab import files files.upload() !pip install kaggle # Kaggle을 위한 디렉토리 생성 !ls -al !mkdir -p ~/.kaggle !ls -al ~/ # "kaggle.json"인증키를 복사 후 .kaggle 폴더에 붙여넣기 !cp kaggle.json ~/.kaggle/kaggle.json !chmod 600 ~/.kaggle/kaggle.json !ls -al ~/.kaggle/ # kaggle 데이터셋 or competit..