저는 강사님의 refer & earn 주소로 runpod.io 사이트 열고, 영상에 나온 팝업창 누르고 구글 계정으로가입하고 10달러 결제까진 순조롭게 되었습니다....만5달러는 안들어왔고 딱 결제한만큼 10달러만 있네요! 다른 분들은 어떻게... 추가로 5달러 받으셨는지 궁금합니다.

안녕하세요 강의 내용 중에 2.x내용이 많은데 그 중에 3.x에서는 사용할 수 없는 부분에 대한 강의를 표시를 해주시면 감사하겠습니다.이미 3.x 존재하지않는 내용을 공부하는것을 덜어주셨으면 좋겠습니다.물론 호환이 되거나 도움이 되는 부분은 그대로 좋습니다.감사합니다. - 학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! - 먼저 유사한 질문이 있었는지 검색해보세요. - 강의 내용을 질문할 경우 몇분 몇초의 내용에 대한 것인지 반드시 기재 부탁드립니다. - 서로 예의를 지키며 존중하는 문화를 만들어가요. - 잠깐! 인프런 서비스 운영 관련 문의는 1:1 문의하기를 이용해주세요.

이 파일의 코드를 하나씩 실행하려고 하는데, 첫번째 코드는 2.8.0+cu126 두번째 코드에서 오류가 납니다.Looking in indexes: https://download.pytorch.org/whl/cu118 ERROR: Could not find a version that satisfies the requirement torch==2.0.0 (from versions: 2.2.0+cu118, 2.2.1+cu118, 2.2.2+cu118, 2.3.0+cu118, 2.3.1+cu118, 2.4.0+cu118, 2.4.1+cu118, 2.5.0+cu118, 2.5.1+cu118, 2.6.0+cu118, 2.7.0+cu118, 2.7.1+cu118) ERROR: No matching distribution found for torch==2.0.0혹시나 해서 python 버전을 확인해 보니 3.12.12 (main, Oct 10 2025, 08:52:57) [GCC 11.4.0] 입니다. 이미 버전이 올라가서 mmdetection 2.x 실습이 가능할지 모르겠습니다. 조언 부탁드리겠습니다.감사합니다.- 학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! - 먼저 유사한 질문이 있었는지 검색해보세요. - 강의 내용을 질문할 경우 몇분 몇초의 내용에 대한 것인지 반드시 기재 부탁드립니다. - 서로 예의를 지키며 존중하는 문화를 만들어가요. - 잠깐! 인프런 서비스 운영 관련 문의는 1:1 문의하기를 이용해주세요.

안녕하세요ResNet 전이학습 모델에 RGB가 아닌 그레이 1채널 이미지를 학습하려고 합니다. 조사한 방법은 2가지 입니다.그레이 이미지 채널 복제 및 RGB 변환ResNet 모델 첫 번째 레이어 입력 채널을 3->1로 weights도 함께 수정현재는 ResNet 전이학습 모델 레이어를 변경하지 않는 방식의 1번을 적용중인데 강사님께서 추천하시는 방법이 있을까요

교재에 작성된 노션URL로 이동이 안됩니다

안녕하세요. 강의 잘 듣고 있습니다.다름이 아니라 augmentation을 설명하는 부분에 아래 경로가 사라진 것 같아 말씀드립니다!https://www.sciencenews.org/wp-content/uploads/2020/03/033120_HT_covid-cat_feat-1028x579.jpg

3.x가 아니라 2.x로 실습하는 이유가 있나요?둘 사이에 차이가 큰 가요? 코랩 파이썬이 3.12로 업그레이드 되어서 설치가 잘 되지 않습니다.mmcv-full 설치에서 텍스트 입력 칸이 생기고 여기서 진행이 안됩니다.

안녕하세요 강사님, 좋은 강의 감사히 듣고 있습니다. 다름이 아니라, old colab에서 new kaggle로 수정 후 실습을 하는 과정에서 faster rcnn의 mm_faster_rcnn_train_coco_bccd 파일을 실행하고 있었습니다.다음의 코드에서 동일한 에러가 발생합니다.중간에 학습을 하는 코드train_detector(model, datasets, cfg, distributed=False, validate=True) 와테스트셋을 평가하는 코드metric = dataset.evaluate(outputs, metric='bbox')를 실행한 결과, 다음의 에러코드가 출력됩니다.--> 314 res.dataset['info'] = copy.deepcopy(self.dataset['info']) 315 res.dataset['images'] = [img for img in self.dataset['images']] 316 KeyError: 'info'제가 열심히 검색하며 추가 조사를 해본 결과,epoch를 기본으로 설정한 12회를 다 돌고 나서 bbox를 evaluate하는 과정에서 에러가 나는 것 같습니다.annotation파일들인 train.json 파일과 test.json파일에 info의 키가 없어서 에러가 발생한 것 같다... 라는 결론에 이르렀는데 강사님께서 보시기에 무엇이 문제인지 궁금하여 질문드립니다.궁극적으로 해결을... 어떻게 할지도 고민이 좀 많이 됩니다.PS. 구글 서치와 챗지피티 프롬프트 질문 결과, 에러의 원인은 mmdetection >= 2.28.0 버전에서 pycocotools 2.0.x 이상을 사용할 때 이 오류가 보인다는 의견이 있었고pycocotools는 내부적으로 딥카피(copy.deepcopy(self.dataset['info']))를 사용하기 때문에, 필드 누락이 바로 Error로 이어지지 않았나... 까지 찾았습니다.

5k모니터로 보고있는데 강의 화질이 별로라 화면상에 코드가 깨지는게 참다참다 더이상 못봐주겠네요.. 강의보다 눈 나빠질거같습니다2025년도 8월 5일에 촬영하셧는데대체 어떻게 녹화를하신건지..고화질로 녹화 하시고 인코딩하셔도 용량얼마 안될텐데.. 아쉽네요

안녕하세요, 강의 너무나 잘 듣고 있습니다. 다름이 아니라 지금 제가 듣고 있는 mm_faster_rcnn_train_kitti를 다루고 있는 수업에서 old colab버전과 new kaggle 버전을 비교하는 과정에서 차이가 있는데, 이것이 저와 같이 컴뷰터 비전이 처음인 사람들에게 너무 큰 이슈여서 강사님께 이 부분을 개선시키면 어떨까 제안드리고픈게 있어서 제보드립니다. old colab 버전에는 ms coco데이터셋의 annotation 버전에서 변환한 mmdetection의 중립데이터형태 (mid point)에 대한 텍스트와 이미지를 활용한 설명이 꽤 자세하게 들어가 있는데, kaggle버전으로 넘어오면서 이 셀이 통째로 사라진듯하여 kaggle 버전에도 이것을 넣어주시는건 어떨까요? 강의를 봐도 이해가 가지 않아 여러번 돌려보다가 찾아서 제보드립니다.

최고의 강의 너무나 감사합니다.설치 시 에러가 있어 문의드립니다.!cd /content/automl/efficientdet; pip install -r requirements.txt note: This error originates from a subprocess, and is likely not a problem with pip. ------------------------------ import inference # 강의영상에는 from keras import anchors 이지만 efficientdet 패키지의 keras 모듈이 tf2 로 변경됨. from tf2 import efficientdet_keras model = efficientdet_keras.EfficientDetModel(config=config) model.build((None, None, None, 3)) print('#### checkpoint name:', tf.train.latest_checkpoint(INFER_CFG.model_dir)) model.load_weights(tf.train.latest_checkpoint(INFER_CFG.model_dir)) model.summary() ValueError: File format not supported: filepath=/content/efficientdet-d0/model. Keras 3 only supports V3 `.keras` and `.weights.h5` files, or legacy V1/V2 `.h5` files. 

안녕하십니까 선생님.강의를 열심히 듣고 있던 중, 문득 그런 궁금증이 생겼습니다.코스매틱 브랜드 중, 여성들의 '아이브로우' 같은 경우 어떻게 객체 인식을 해줄 수 있을까? 에 대한 의구심이 들었습니다.'흑갈색', '갈색' 이거를 사람 육안으로 파악해도 색상보다는 텍스트로 인식하는 것이 더 빠른데, 이런 것은 어떻게 객체 인식을 하면 되는건가요? 바코드, 텍스트 이런 것들이 주어져 있지 않고, 오로지 색상만으로 구분 할 수 있습니까? 이런 것들에 대한 인식의 정확도를 99% 까지 올릴 수 있는지 궁금합니다.빛의 반사, 포장지, 동그란 형태의 케이스에 대한 예외가 떠오릅니다.

스크래치, 깨짐 등 다수의 이상 탐지를 위한효과적인 방법이나 적용할 기술이 있을까요?집중적으로 공부하고 싶습니다. 다음 주제에 관심이 있지만 (CNN 다중 분류, 세그먼테이션, yolo 객체인식)좀 더 구체적인 조언을 들을 수 있다면 좋겠습니다.

안녕하세요 강사님 무료로 강의를 해주신 덕분에 이해를 잘하면서 따라왔습니다 감사합니다. 다름이 아니라 해당 강의의 2:45에서 질문이 하나 있습니다. 단순한 것인데 궁금한 것이 각각의 RGB채널에 대해서 피처맵 F1r, F1g, F1b가 나오게 되는데 이 피처맵들을 다 더하는 이유가 무엇인가요? 단지 색을 표현하기 위해서는 RGB가 있어서 이 세 개의 조합으로 색을 표현하기 때문에 각각의 피처맵을 더해서 표현되어야한다는 관점인건가요?

안녕하세요. OpenCV관련 질문이 있습니다.로컬 컴퓨터에서 OpenCV를 사용해서 학습을 하려고 합니다. CoLab이나 kaggle과 같은 GPU환경이 아니어도 학습을 할 수 있을까요?파이썬이 아닌 C# 또는 Java로도 진행할 수 있을까요?  대부분의 OpenCV 관련 강의는 파이썬으로 진행되어서 다른 언어로 진행하면 문제가 발생하진 않을까 고민 중입니다. - 학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! - 먼저 유사한 질문이 있었는지 검색해보세요. - 강의 내용을 질문할 경우 몇분 몇초의 내용에 대한 것인지 반드시 기재 부탁드립니다. - 서로 예의를 지키며 존중하는 문화를 만들어가요. - 잠깐! 인프런 서비스 운영 관련 문의는 1:1 문의하기를 이용해주세요.

안녕하세요 강사님. Fast R-CNN 강의를 들으며 이해가 잘 되지 않는 부분이 있어 질문드립니다. 원본 이미지를 800×800으로 입력하고, (1) Selective Search로 생성한 region proposal과 (2) CNN을 통해 얻은 feature map을 합치는 과정을 저는 RoI Projection이라고 이해했습니다. Q1. 그런데 region proposal 결과가 왜 원본 이미지와 달리 500×700 크기로 나오는지 궁금합니다.Q2. 또한 feature map은 원본 이미지 전체(800×800)를 커버하는 반면, region proposal은 앞선 질문처럼 이미지 일부(500×700)만을 다룹니다. 그런데도 RoI Projection을 적용했을 때, region proposal이 feature map 전체에 반영된 것처럼 보이는 그림이 이해되지 않습니다. 강의 자료에는 5x7 혹시 이는 그림의 단순화/오류인지 궁금합니다. Q3. 추가적으로, Fast R-CNN과 Faster R-CNN은 네트워크 학습을 기반으로 하기 때문에 단순히 입력 이미지에 바운딩 박스를 그리는 것 외에도 라벨링 과정이 필요할 것 같습니다. 이러한 라벨들이 어떻게 생성되는지에 대한 추가 강의도 있으면 좋겠습니다. (예: Fast R-CNN은 최종 예측을 위한 라벨, Faster R-CNN은 RPN 단계와 최종 예측을 위한 라벨) 읽어주셔서 감사합니다.  

안녕하세요 강사님 섹션 2의 CNN 실습(100_CIFAR10_CNN.ipynb) 관련하여 질문드립니다.아래 코드에서는 train_loss에 배치별 loss를 누적한 뒤,  for문이 끝나면 train_loss /= len(train_data) 로 평균을 계산하고 있습니다.그런데 loss.item()은 이미 각 배치에서 평균이 적용된 스칼라 값입니다. 따라서 다시 전체 데이터 개수(len(train_data))로 나누면 이중으로 평균이 계산되는 것 같습니다. 그래서 저는 train_loss += loss.item() * x.size(0) 형태로  배치 손실의 합계를 누적한 뒤, 마지막에 전체 데이터 수로 나누는 방식이보다 정확하다고 생각하는데, 혹시 어떻게 생각하실까요? 좋은 강의 제공해주셔서 감사합니다.  for x, y in train_loader: # 훈련 데이터셋을 배치 단위로 순회 x, y = x.to(device), y.to(device) # 배치 데이터를 현재 디바이스로 이동 optimizer.zero_grad() # 이전 그라디언트를 초기화 z = model(x) # 모델을 통해 예측값 계산 loss = criterion(z, y) # 예측값과 실제 레이블 간의 손실 계산 train_loss += loss.item() # 손실 누적 y_pred = z.argmax(1) # 가장 높은 예측값의 인덱스를 정답으로 선택 train_acc += (y_pred == y).sum().item() # 정확히 예측된 개수 누적 loss.backward() # 손실에 대한 그라디언트 계산 optimizer.step() # 모델의 가중치 업데이트 train_loss /= len(train_data) # 평균 훈련 손실 계산 train_acc /= len(train_data) # 평균 훈련 정확도 계산 LOSS.append(train_loss) ACC.append(train_acc)

안녕하세요강의를 듣다보니 train epoch의 metric은 초기에0.0으로 선언하고validate epoch의 metric은 0으로 선언하는 것을 볼 수 있었습니다.혹시 담겨진 어떤 의미가 있을까요?

''' 질문 내용 강의 수강하며 따로 코드 수정없이 실행해보며 이해해보는 중입니다. 아래와 같은 에러가 나서 수정해보고자 하는데 에러 해결이 안되어서 여쭤봅니다. 상기의 ''' ######### 실행 코드 from torch.optim import Adam BATCH_SIZE = 32 INPUT_SIZE = 28 # train_loader = DataLoader(train_data, batch_size=BATCH_SIZE, shuffle=True, num_workers=4 ) # val_loader = DataLoader(val_data, batch_size=BATCH_SIZE, shuffle=False, num_workers=4) # model, device, optimizer, loss 함수 생성. model = create_simple_linear_model(input_size=INPUT_SIZE, num_classes=10) device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') optimizer = Adam(model.parameters(), lr=0.001) loss_fn = nn.CrossEntropyLoss() # Trainer 객체 생성. trainer = Trainer_01(model=model, loss_fn=loss_fn, optimizer=optimizer, train_loader=train_loader, val_loader=val_loader, device=device) #fit() 을 호출하여 학습과 검증을 epochs 수 만큼 반복 수행. trainer.fit(epochs=10) ########### 에러내용 --------------------------------------------------------------------------- AttributeError Traceback (most recent call last) /tmp/ipykernel_36/3815854863.py in <cell line: 0>() 8 model = create_simple_linear_model(input_size=INPUT_SIZE, num_classes=10) 9 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') ---> 10 optimizer = Adam(model.parameters(), lr=0.001) 11 loss_fn = nn.CrossEntropyLoss() 12 /usr/local/lib/python3.11/dist-packages/torch/optim/adam.py in init(self, params, lr, betas, eps, weight_decay, amsgrad, foreach, maximize, capturable, differentiable, fused) 97 fused=fused, 98 ) ---> 99 super().__init__(params, defaults) 100 101 if fused: /usr/local/lib/python3.11/dist-packages/torch/optim/optimizer.py in init(self, params, defaults) 375 376 for param_group in param_groups: --> 377 self.add_param_group(cast(dict, param_group)) 378 379 # Allows cudagraph_capture_health_check to rig a poor man's TORCH_WARN_ONCE in python, /usr/local/lib/python3.11/dist-packages/torch/_compile.py in inner(*args, **kwargs) 25 disable_fn = getattr(fn, "__dynamo_disable", None) 26 if disable_fn is None: ---> 27 import torch._dynamo 28 29 disable_fn = torch._dynamo.disable(fn, recursive) /usr/local/lib/python3.11/dist-packages/torch/_dynamo/__init__.py in <module> 1 import torch 2 ----> 3 from . import convert_frame, eval_frame, resume_execution 4 from .backends.registry import list_backends, lookup_backend, register_backend 5 from .callback import callback_handler, on_compile_end, on_compile_start /usr/local/lib/python3.11/dist-packages/torch/_dynamo/convert_frame.py in <module> 31 from torch._C._dynamo.guards import GlobalStateGuard 32 from torch._dynamo.distributed import get_compile_pg ---> 33 from torch._dynamo.symbolic_convert import TensorifyState 34 from torch._guards import compile_context, CompileContext, CompileId, tracing 35 from torch._logging import structured /usr/local/lib/python3.11/dist-packages/torch/_dynamo/symbolic_convert.py in <module> 28 from torch._guards import tracing, TracingContext 29 ---> 30 from . import config, exc, logging as torchdynamo_logging, trace_rules, variables 31 from .bytecode_analysis import ( 32 get_indexof, /usr/local/lib/python3.11/dist-packages/torch/_dynamo/trace_rules.py in <module> 3264 "torch.distributed._composable.replicate", 3265 } -> 3266 if not torch._dynamo.config.skip_fsdp_hooks: 3267 LEGACY_MOD_INLINELIST.add("torch.distributed.fsdp._fully_shard") 3268 AttributeError: partially initialized module 'torch._dynamo' has no attribute 'config' (most likely due to a circular import)

안녕하세요파이토치 강의 잘 듣고 있습니다.이전 글을 봤을 때,객체 탐지 구현하는거 계획중이라고 들었는데,혹시 진행되고 있는지, 한다면 언제쯤 강의 오픈하는지 여쭙고자 합니다 !