머신러닝 안에 딥러닝이 있다고 할 수 이유는 학습을 하고 원하고자 하는 결과를 얻기 위해 가중치를 업데이트 하는 알고리즘이 있기 때문이고, 딥러닝과 머신러닝의 차이는 딥러닝은 학습된 결과로 다시 한번 학습하는 것(layer를 쌓는 것)과 같이 복잡한 로직을 수행하는 점에 있어서 차이가 있는건가요? 머신러닝과 딥러닝의 차이가 정리가 안되서 이렇게 질문을 남겨드립니다.
안녕하세요. 초보자지만 영상 보고 열심히 공부하면 할 수 있다고 하셔서 수강해서 공부를 시작한 수강생입니다. 저는 노트북 윈도우 환경인데요. 우분투 환경세팅 - 크롬설치 강의에서 크롬 설치 : sudo dpkg -i ./google-chrome-stable_current_amd64.deb 를 어디서 어떻게 하는지 잘몰라서 한참 헤매고 있습니다. 초보자지만 동영상 강의를 보고 따라할 수 있도록 강의 문서나 동영상에 텍스트나 글 또는 그림으로 설명을 해주시면 감사하겠습니다. 첫 우분투 환경세팅부터 막막하게 막히고 있어서 도움 요청드립니다. 경험이 없어서 첫 시작부터 막막하지만, 방법을 잘 알려주시면 포기하지 않고 열심히 완강해보겠습니다. 제 노트북 윈도우에 우분투를 먼저 설치하는건가요? 윈도우에 우분투라는거를 먼저 설치해야 한다면 첫 설치부터 자세하게 설명부탁드리겠습니다. 그리고, 강의가 음성으로 빠르게 지나가다보니, 여러번 반복해서 듣고는 있지만, 혹시 자막 이나 스크립트를 제공해 주신다면 수강생들이 공부하는데 큰 도움이 될 것 같습니다. 지금도 영상 보고 있는데 첫 우분투 환경을 못해서 진도를 못 나가고 있습니다. 너무 초보적인 질문일지 모르겠지만, 빠른 답변 주시면 감사하겠습니다.
강의 4:53 에 나오는 from_pretrained 함수에 관한 질문입니다. 공식 문서를 아무리 찾아봐도, 더 미궁 속으로 빠지는 듯한 느낌만 들어서(...) 질문 올립니다. from_pretrained 메소드는 huggingface에서 제공하는 그 어떠한 클래스에도 공통적으로 적용이 가능한 것인지 궁금합니다. 공식 문서에서 from_pretrained를 검색해본 결과, 각 검색 페이지마다 from_pretrained의 파라미터가 다르게 나오고, 그에 대한 설명조차도 찾을 수가 없었습니다... 예를 들어, FeatureExtractionMixin 의 from_pretrained 메소드의 파라미터는 9개인 반면, AutoTokenizer 의 from_pretrained 메소드의 파라미터는 13개 라고 서술되어 있는 경우를 볼 수 있었습니다. 또한, 강의에서 사용하였던 feature_extractor = ViTFeatureExtractor.from_pretrained("google/vit-base-patch16-224-in21k") feature_extractor 이 코드와, model = ViTForImageClassification.from_pretrained('google/vit-base-patch16-224-in21k', num_labels=10, # 10개의 클래스로 분류를 해야 함 id2label=id2label, label2id=label2id) 이 코드에서도 역시 from_pretrained 메소드가 사용되었는데, 공식 문서에서 ViTFeatureExtractor와 ViTForImageClassification을 아무리 찾아보아도 from_pretrained 메소드에 관한 설명은 볼 수가 없었으며, 각각의 경우에 적용되는 파라미터에 관한 내용 역시 찾아볼 수 없었습니다. 이런 경우, 다른 코드에 from_pretrained 메소드를 적용할 때에는 해당되는 내용을 어떻게 찾아야 하는 것인지 궁금합니다.
안녕하세요. tensorflow object detection 공부 중 몇 가지 궁금증이 생겨 질문드립니다. pretrained model을 이용해 "사과"라는 객체를 탐지하는 A모델을 만들었을 경우, 이 A 모델에 추가적으로 "바나나"라는 객체를 학습 시켜, 최종적으로 "사과","바나나"를 탐지하는 A모델을 만들 수 있는지 궁금합니다. 만약, 1번이 가능하다면, 기존 A모델의 labelmap에 id를 추가하여 "바나나" 입력 기존 A모델의 config 파일에 num class를 2로 변경, "바나나" 학습 데이터(tfrecord) 위치로 변경 하면 되는 걸까요? 만약, 1번이 가능하지 않다면, "사과" tfrecord와 "바나나"tfrecord를 합쳐서 새로운 tfrecord를 만들고 pretrained model를 불러와 새로운 B 모델을 만들어야 할까요?
GlobalAveragePooling2D() 에서 InceptionV3 의 다차원 Feature Map 을 1차원 스칼라로 차원변환 해주는데, 여기서 GlobalAveragePooling2D() 를 사용하심은, 아래 이미지에서 Flatten된 Vector를 구현 하심이 맞으실까요? 왜 2D 해당 기법은, CNN + FCN을 대체하기위해 사용된다는정도로만 인지하고 있습니다. x = tf.keras.layers.GlobalAveragePooling2D()(x) # Multi dimension featuremap to one dimension scalar value. YOLO Format으로 Flatten 시킬때, 활성화 함수는 지정할 필요가 없나요? 원 논문에서 마지막 Layer에 대해 linear activation function을 사용했는데, 수업에서 사용한 코드에서는 'None'으로 지정된 이유가 어떻게 될까요? output = tf.keras.layers.Dense(cell_size * cell_size * (num_classes + 5 * boxes_per_cell), activation="None")(x) # Yolo 형태에 맞는 Flatten 된 벡터로 변환
운영환경 Colab (프로 GPU 버전 사용) 이슈 아래 코드 실행 시, InvalidArgumentError` 발생. if __name__ == '__main__': app.run(main) /usr/local/lib/python3.9/dist-packages/tensorflow/python/framework/ops.py in raise_from_not_ok_status(e, name) 7213 def raise_from_not_ok_status(e, name): 7214 e.message += (" name: " + name if name is not None else "") -> 7215 raise core._status_to_exception(e) from None # pylint: disable=protected-access 7216 7217 InvalidArgumentError: {{function_node __wrapped__Squeeze_device_/job:localhost/replica:0/task:0/device:GPU:0}} Can not squeeze dim[1], expected a dimension of 1, got 24 [Op:Squeeze] Q. 운영환경 상, 리눅스 또는 윈도우를 활용하지못하는데 코랩에서 강의에서 주어진 코드 실행 시 문제가 되는 부분이 있나요?
안녕하세요. 철민 강사님께 늘 좋은 강의 내용에 감사하면서 오늘도 질문을 드립니다. object detection 에서 물체 간의 거리 감지를 위한 질문 (YOLO V5)을 드리려고 합니다. 강의에서 배운 내용을 바탕으로 입력 영상으로 실시간 객체간의 거리를 측정하는 기능을 개발하고 있는데 아래와 같이 중장비와 사람간의 바운딩 박스의 가운데 좌표를 읽어 거리를 측정하고 있는데 근본적이 오류가 있었습니다. 오류 사람의 위치가 이동하여 중장비 옆에서 잡은 거리가 2m라고 했을 때 뒤에서 잡은 거리는 2.7m가 되고 위에 지점에서 잡은 거리는 3.8미터가 되는 오류가 있습니다. 이 문제를 해결하기 위해 바운딩 박스의 가장 중심점 에서 거리를 측정 오류를 벗을 수는 없는 것인가요? semantic segmentation 픽셀 단위 이미지를 이용하면 되지만 이 경우에는 사람이 너무 가까이 가면 하나로 클래스로 인식하고 이것을 Instance Segmentation 으로 해결하려고 하는데 GPU 연산의 하드웨어적인 한계가 있었습니다. object detection 알고리즘으로 객체 간 위치별 거리측정의 오차를 없앨 수 있는 방법에 대해서 조언을 부탁드립니다.
강의 8:30 부분에서 나오는 out = out[:, -1] 코드에 관한 질문입니다. 우선, 다음과 같이 예시를 작성해 보았습니다 이렇게 test_data를 만들고, 여기에 test_data[:, -1] 을 적용해 보았는데요, shape이 (3, 2, 4) 에서 (3, 4) 로 바뀌는 것은 확인하였지만, 이 코드가 '왜 사용되었는지' 에 관한 궁금증이 생겼습니다. 단지 shape을 맞춰주기 위해서 전체 데이터 중 일부를 slicing 하는 것이라면, view 메소드를 사용해서 shape을 맞춰주는 방법도 있을텐데요, 전체 데이터 중에서 일부를 slicing 하는 방식으로 이렇게 코드를 작성한 이유가 무엇인지 궁금합니다!
안녕하세요. 현재 코랩환경에서 파이토치 제공 Mask-RCNN을 활용하고 있습니다. 강의에서 알려주신 Hook를 활용하여 중간 레이어의 피쳐맵을 추출하고자 진행하던 과정에서 문제가 발생하여 질문드립니다ㅠㅠ 모델은 제가 가진 데이터셋에 맞춰 출력층을 바꾸어준 후에 학습을 완료한 상태입니다. 이후 for문을 통해 모델에 여러 입력 이미지들을 넣어주어 이미지별 중간 레이어의 피쳐맵을 얻으려고 하였으나, 출력결과 하나의 이미지에 대한 피쳐맵만 반복적으로 출력되는 문제가 발생합니다... 모델 학습 및 가중치 로드 후 코드는 다음과 같습니다. Hook 함수 def get_activation(name): def hook(models, input, output): activation[name] = output return hook 입력 이미지별 피쳐맵 저장 activation = {} device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") models.to(device) for i in range(1, 5): test_img = Image.open("입력 이미지 루프").convert('RGB') test_img = test_img.resize((800, 800)) test_img = tr.functional.to_tensor(test_img) test_img = test_img.reshape(1, 3, 800, 800) with torch.no_grad(): models.eval() models.backbone.fpn.extra_blocks.register_forward_hook(get_activation("fm{}".format(i))) test_img = test_img.to(device) models(test_img) 출력 결과 activation["fm1"] 부터 ["fm4"] 까지 동일한 값이 들어가 있음 아무리 찾아보고 여러 시도를 해보아도 해결이 되지않아 답답하네요ㅠㅠ 추가로 위의 코드를 한번 돌리면 런타임을 다시 시작하지 않는 이상 이후에 코드를 수정하여 hook 함수부터 다시 돌려도 적용이 되지 않는 문제도 발생합니다...
안녕하세요 강사님 강의 덕분에 항상 연구에 큰 도움받고 있습니다 :) 강의에 나온 mmdetection show_result 함수 관련하여 질문드립니다. 상황: from mmdet.api import init_detector # config 파일과 checkpoint를 기반으로 Detector 모델을 생성. model = init_detector(config_file, checkpoint_file, device='cuda:0') model.show_result(img_arr, results, pixel_list, score_thr=0.7, bbox_color=(0,0,0), thickness=0.01,font_size=8, out_file= f'{save_dir1}{rgb_file_name}') 위 코드와 같이 init_detector 함수로 model을 생성 show_result 함수로 이미지 위에 추론결과를 시각화 하려고 합니다. 이때, show_result 함수에 pixel_list라는 인자를 추가하였는데 다음과 같은 에러를 만났습니다. "TypeError: show_result() got multiple values for argument 'score_thr'" 그래서 mmdetection/mmdet/models/detectors/base.py 모듈의 show_result 함수를 수정하였더니 문제가 해결되었습니다. 하지만 mmdetection 내의 mmdet 원본코드를 직접 수정한다면 mmdetection 버전이 바뀔때 마다 매번 해당 코드를 수정해줘야 할 것 같아서요. 혹시 원본코드를 수정하지 않고 새로운 모듈(new_base.py)을 만들고 override를 할 수 있는 방법이 있을까요? (mmdetection/mmdet/api/inference.py의 init_detector와 mmdetection/mmdet/models/detectors/base.py의 show_result 함수가 뭔가 엮여있는 것 같은데 도저히 방법을 모르겠습니다 ㅠㅠ)