Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.353Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.599Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.331 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.213 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.386 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.541 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.221 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.419 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.452 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.281 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.529 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.609 위의 성능지표는 Faster-RCNN을 훈련한 결과로 출력 된 성능 지표입니다. Faster-RCNN과 YOLOv8의 성능을 비교해보기 위해서 성능 지표를 확인하려고 하는데Faster-RCNN의 결과로 출력된 성능 지표가 YOLO의 성능지표랑 조금 다른거같아 어떻게 비교해야할지 궁금합니다. YOLO는 훈련 후 결과가 Precision, Recall, mAP50, mAP50-95로 나오게 되는데Faster-RCNN의 경우에는 위와 같이 Average Precision, Average Recall이 다양한 IOU 임계값에 따라 출력되는것으로 보이는데 여기서 YOLO 처럼 Precision,Recall,mAP50, mAP50-95 를 구할수 있는지 궁금합니다.   from detectron2.evaluation import COCOEvaluator, inference_on_datasetfrom detectron2.data import build_detection_test_loaderfrom detectron2.engine import DefaultTrainerimport os# 가중치 경로 설정cfg.MODEL.WEIGHTS = os.path.join(cfg.OUTPUT_DIR, "model_final.pth")# 학습된 모델 로드trainer = DefaultTrainer(cfg)trainer.resume_or_load(resume=True) # 평가 진행evaluator = COCOEvaluator("coco_test", cfg, False, output_dir="./output/")val_loader = build_detection_test_loader(cfg, "coco_test")results = inference_on_dataset(trainer.model, val_loader, evaluator)# 결과 출력print("Test 결과 (coco_test):", results)위의 코드처럼 detectron2에서 Faster-RCNN 으로 훈련 시킨 후 가중치를 가지고와서 COCOEvalutator로 test한 결과 인데 Precision,Recall, mAP50을 YOLO와 동일하게 측정하고 싶습니다.어떻게 해야할까요?

안녕하세요 항상 너무 좋은강의 잘 듣고있습니다! 다름이 아니라 실습 중 값이 이상하게 나와 질문드립니다. 현재 맥북 사용중이구요, 강의 코드에 올라온 CUDA 사용하는 부분만 mps로 변경하였습니다.그러나 loss 값이 아래 사진과 같이 점점 음수쪽으로 커집니다. 그리고 test시 정확도도 28프로 정도로 낮게 나오구요. 딥러닝을 Unet과 같은 cnn 기반 모델에서도 돌리고있는데 지금까지 mps 설정에서 문제가 된적은 없었습니다..! 근데 갑자기 왜 이런 결과가 나온걸까요? import torch device = 'mps' if torch.backends.mps.is_available() else 'cpu' torch.manual_seed(1) print(device) model = model.to(device)

sumation 은 코드의 어떤 부분으로 대응되는지 궁금합니다 bias update 부분도 마찬가지로 궁금합니다

https://pjreddie.com/darknet/yolo/선생님 원래는 위의 링크에서 다운이 되었는데개발자가 군사목적으로 쓰이는 것을 원치 않아서 업데이트 중단한다.어쩌고 한다음에 이제 weight파일도 다운로드가 안되요혹시 구글 드라이브 같은데에 올려주실수 있을까요?부탁드립니다

안녕하세요 아래와 같이 new_action_values 의 max 값이 복수개 발견될경우 맨처음 발견된 index 만 표시 되는게 맞는건가요?예를 들어 액션값이 좌측이거나 위 .. 이렇게 두개의 값은 갖을 수 없는건가요? V = np.zeros(num_states) pi = np.ones([num_states, num_actions]) * 0.25 new_action_values = np.array([0.1, 0.5, 0.5, 0.5]) new_action = np.argmax(new_action_values) print(new_action) print(np.eye(num_actions)) print(np.eye(num_actions)[new_action])

안녕하세요.강의 잘 듣고 있습니다."EfficientNet V2 M 모델로 학습 후 성능 평가" 강의 동영상이 Weight Decay 강의로 재생되는 것 같습니다.

죄송합니다. 제가 이제 공부를 시작하는 사람이라 바보 같은 질문이어도 이해 부탁드립니다. 코드랑 PDF는 잘 보이는데 무비렌즈 데이터 파일은 따로 받아야 되나요?제가 못 찾는 것일까요?

안녕하세요.강의를 들어봤는데 정말 이해가 잘되는 강의라서 그런데 혹시 로드맵 세일 같은 건 안하시나요?ㅠ

Bag of Word (BOW)와TF-IDF시 대명사인 I가 리스트업 안되는데 이건 어디로 사라지는걸까요?

안녕하세요.7:13에 맨 오른쪽아래에 XN(t+1)에서 M인데 N으로 오타가 있습니다.

강의 자료 링크로 이동한 캡쳐 입니다. 수십번을 다시 다운받아도 똑같습니다.강의 자료에 csv 파일 자체가 없습니다. ㅠㅠ확인해주세요~~!!

winequality.csv 라는 수업자료가 없는데... 어떻게 해야하나요?

이거 케글 파일은 어디있나요..?없는것 같은데..그 직전 2개 강의랑..

mac 환경 설정 하려고 하는데 커널 설정하라는데 둘중에 뭘 선택해야 하나요?

안녕하세요 변정현 강사님.강의 잘 듣고있습니다. 실습 수업 때는 주피터 노트북 형식으로 강의자료 다운로드가 가능한데, 혹시 이론강의 자료도 공유가 가능하신가해서 질문을 드립니다. 내용만 볼수있으면 pdf형식이나 워터마크가 추가되어도 크게 문제가 없을것 같은데, 혹시 가능하실까요?

안녕하세요 질문이 있습니다.Multi-Hed Attention 에서 여러개의 Q,K,V 벡터들을 학습시켜 Concat 시키는데 1. 이 경우에는 어떤식으로 Concat이 되나요?이렇게 Concat이 되게되면 값이 증폭하는 일이 생기지 않나요>?

안녕하십니까, 강의에서 배운 평가지표를 이용하여 anomaly detection을 진행하고자 합니다.문제는 다음과 같습니다.anomaly detection에서는 TN(이상이 없다고 잘 예측함)비율이 압도적으로 많은 상황입니다. 제 생각에는 ROC-AUC에서 FN 비율이 높아져도 FP비율이 낮다면, 여전히 ROC-AUC에서는 높은 성능을 보인다 생각했습니다.따라서 FN에 linear하게 반응하는 F1-max를 사용하고자 했습니다.하지만 주변에서 다음과 같은 답변을 받았습니다.Anomaly detection을 위핸 manual threshold가 문제라는 것 같네요.  해당 부분 분명히 문제가 맞습니다.하지만 이 부분이 AUROC라는 평가지표가 잘못되었다라는 주장을 하기에는 적절한지 아직 의문입니다.AUROC는 다양한 threshold를 두어 종합적으로 평가하기 때문입니다. 개인적으로 TN의 비율이 압도적인 것은 anomaly를 탐지하는 AD에서는 문제가 되지 않는다고 생각합니다. AUROC에서 역시 TN은 사용되지 않습니다. 모델이 모든 샘플에 대해 normal이라고 말하거나 혹은 그 반대여도 역시 AUROC는 낮아집니다 물론 F1-max도 중요하지만, 제 생각에는 여전히 AUROC로 평가하는 것은 유의미합니다.하여, 의견이 궁금하기에 글 남깁니다.이상입니다.

안녕하세요.강의 잘 들었습니다!이제 막 AI 를 학습하고 있는 학부생인데, 너무너무 필요했던 정보들이라 좋았습니다.혹시 해당 논문 외에, Transformer 구조를 가진 모델 중에 직접 스크래치부터 구현을 도전해볼만한 게 있는지 여쭤보려고 합니다. 물론 이것 저것 제가 원하는 모델을 해봐야겠지만... 이 분야에서 좀 더 잘 아시는 분에게 전반적인 로드맵을 추천 받고 싶어서요!

13섹션의 강의자료 보내주세요.Regularization, Architecture 관련 강의 자료가 없어요.

10_Regularization.md 일이 업Dropout, Batch Nomalization에 대한 강의자료가 없어요. 학인후 전달 부탁드립니다.