안녕하세요 선생님 과제를 해야하는데 제가 너무 초보자라.. 코랩에서 Yolo4 다운받아서 학습 시켜야하는데 기틀이 없어서 Yolo강의 검색해서 여기 플랫폼을 타고들어와서 Yolo강의 중에 이렇게 선생님 강의를 신청해서 시작하게 되었습니다. Yolo4로 모델을 학습시킨다 할때 방법에 대한 대략의 팁을 살짝이라도 주시면 감사드리겠습니다. 제가 모델 학습시켜본 경험도 없고 너무 틀이 없어서 GPT한테 물어도 자꾸 오류나고 결과물을 낼 수 없는 등 이 상태에서 뭘 할 수가 없네요. Yolo4를 이용한 학습시키려면 어떻게해야 하는지 대략적인 틀이라도 잡힐 수 있는 살짝의 팁의 말씀을 부탁드리고 싶습니다. 아니시면 GPT에게 모델학습 시키는데 어떻게 질문해야 하는지라도 남겨주시면 너무 감사드리겠습니다. 감사합니다.
AI강의중 Best였던것 같습니다. 강의 다 듣고 나서 한가지 궁금한게 생기는데 강의 코딩에는 모두 한 소스코드에서 훈련(fit)하고 바로 predict하는 pattern으로 소스가 제공되었습니다. 혹시 훈련(fit)해서 어딘가에 저장해 두었다가 해당 저장내용을 기반으로 특정 필요한 시점에 predict 해서 결과를 사용하고 싶은데 이런 방법이 있을까요? 이 방법이 설명이 간단하지 안다면 책이나 인터넷 사이트라도 추천해 주시면 감사하겠습니다.
테슬라나 팔란티어도 주식 추가 해보고싶습니다 만약 2006년도부터 쭉 데이터를 학습한다고 가정했을 경우, 테슬라나 팔란티어는 데이터가 있는 날부터 학습하게 하려면 어떻게 해야하는지 궁금합니다 그리고 계속 일주일마다 제 컴퓨터에서 새로 stock.py를 하나 돌리고 난뒤, total.csv를 업로드하고 주가예측하기 colab을 돌리는게 맞나요? 그 다음 강의 기다리고있습니다 언제쯤 나오는지 궁금합니다. 자동화는 컴퓨터를 켜놓지 않더라도 자동으로 돌아가게 가능하면 너무 좋을 것 같습니다 그리고 수수료나 과매수,과매도 등 여러 요인들을 고려하여 매수매도 하게끔 되면 좋을 것 같습니다. 저보다 잘 아실것 같아 다음강의 기대됩니다 그리고 일주일 뒤의 주식이 아니라 하루 뒤의 주식 예상은 predict에서 forecast_horizon = 7 를 1로 바꿔주면 되는건가요? 코딩 하나도 모르는 사람이지만 강의하시면서 이해하기 쉽고 따라할는 강의인것 같습니다 일단 한번 쭉 다 보고 천천히 따라하고 있는중인데 강의 제작시와 현재의 나스닥 100 종목이 다르기도하고 원하는 주식 좀더 추가해보고싶어서 이것저것 해보고있는데 재밌네요
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.353 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.599 Average 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 하는데 Faster-RCNN의 결과로 출력된 성능 지표가 YOLO의 성능지표랑 조금 다른거같아 어떻게 비교해야할지 궁금합니다. YOLO는 훈련 후 결과가 Precision, Recall, mAP50, mAP50-95로 나오게 되는데 Faster-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_dataset from detectron2.data import build_detection_test_loader from detectron2.engine import DefaultTrainer import os # 가중치 경로 설정 cfg.MODEL.WEIGHTS = os.path.join(cfg.OUTPUT_DIR, "model_final.pth") # 학습된 모델 로드 trainer = DefaultTrainer(cfg) trainer.resume_or_load(resume=True) # 평가 진행 evaluator = 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 출력 print("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)
https://pjreddie.com/darknet/yolo/ 선생님 원래는 위의 링크에서 다운이 되었는데 개발자가 군사목적으로 쓰이는 것을 원치 않아서 업데이트 중단한다.어쩌고 한다음에 이제 weight파일도 다운로드가 안되요 혹시 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])