Thumbnail
BEST 데이터 사이언스 인공지능
[개정판] 딥러닝 컴퓨터 비전 완벽 가이드
(4.9)
87개의 수강평 ∙ 2183명의 수강생
121,000원

월 24,200원

5개월 할부 시
지식공유자: 권 철민
총 168개 수업 (37시간 57분)
수강기한: 무제한
수료증: 발급
난이도:  입문-초급-중급이상
지식공유자 답변이 제공되는 강의입니다
폴더에 추가 공유
중급자를 위해 준비한
[인공지능, 데이터 사이언스] 강의입니다.

본 강의는 Object Detection과 Segmentation에 대한 깊이 있는 이론 설명과 현업에서 바로 사용될 수 있는 수준의 실습 예제를 통해 여러분을 현장에서 필요한 딥러닝 기반의 컴퓨터 비전 전문가로 발돋움시켜 드릴 것입니다.

✍️
이런 걸
배워요!
딥러닝 기반의 Object Detection과 Segmentation의 이해
RCNN 계열, SSD, YOLO, RetinaNet, EfficientDet, Mask RCNN에 대한 깊이 있는 이론 학습
MMDetection, Ultralytics Yolo, AutoML EfficientDet등 Object Detection과 Segmentation의 대표적인 구현 패키지들 활용법 익히기
OpenCV와 Tensorflow Hub를 이용하여 이미지/영상 Object Detection/Segmentation 수행하기
실무에 Object Detection/Segmentation을 직접 적용할 수 있는 수준에 이를 수 있도록 난이도 있는 다양한 실전 예제 익히기
Object Detection/Segmentation을 구성하는 다양한 기반 지식 습득
다양한 구현 패키지를 활용하여 Custom 데이터 세트를 Training 하고 나만의 모델 생성하기
다양한 Object Detection/Segmentation 모델에 대한 장단점을 실습 예제를 통해 직접 체득
Pascal VOC, MS-COCO등 주요 데이터 세트를 다루고 TFRecord 변환하기
CVAT Tool을 이용하여 데이터 세트에 Annotation을 적용하고 직접 학습 데이터 만들기

허들은 낮추고, 핵심은 더욱 깊게!
딥러닝 CNN 실무 전문가가 되어보세요.

최신 개정판으로 만나는
딥러닝 컴퓨터 비전 학습.

평균 별점 4.9★ 수강생 1,300+명이 선택한,
인프런 베스트셀러 2021 전면 리뉴얼!

안녕하십니까, 권철민입니다.
많은 분들의 성원에 힘입어 이번에 ‘딥러닝 컴퓨터 비전 완벽 가이드’의 개정판을 출시하게 되었습니다. 
기존 강의에서 90% 정도의 영상을 새로 만들었으며, 더욱 향상되고 추가된 내용을 소개해드릴 것입니다.  

그동안 강의에 보내주신 Feedback을 기반으로 아래와 같은 사항에 중점을 두고 개정판을 만들었습니다.

  1. 그동안 수강생 질문이 많았던 내용에 대한 보다 자세한 이론 설명
  2. 최신/최고 성능을 가진 Object Detection/Segmentation 패키지 기반 실습
  3. Object Detection/Segmentation의 최신 트렌드 반영
  4. 보다 유연하고, 다양하고, 확장성 있는 실습 코드 작성 + 더욱 상세한 설명
  5. 기타 다양한 추가 수업

개정판 강의는 단언컨대 초판 강의보다 보다 더 뛰어나고, 더 상세한 내용으로 구성되어 있습니다. 여러분을 최신 딥러닝 기반의 Object Detection과 Segmentation 영역으로 안내해드릴 것입니다.


강의 소개 📝

딥러닝 컴퓨터 비전 기술의 중심Object DetectionSegmentation으로 급격하게 이동하고 있습니다.

▲지능형 영상 정보 인식 ▲AI 비전 검사 스마트 팩토리 ▲의료 이미지 자동 진단 ▲로보틱스 ▲자율 주행차량 등, 많은 분야에서 딥러닝 기반의 Object Detection과 Segmentation 기술이 확산되고 있습니다. 이에 따라 국내외 굴지의 AI 선두 기업 역시 해당 분야에 대한 투자를 아끼지 않으며, 개발 인력에 대한 확보를 모색하고 있습니다. 

객체검출, 세그먼테이션 드디어 만난 두 대세, Object Detection & Segmentation

최근 몇 년 간 Object Detection과 Segmentation 분야가 급속하게 발전하면서 관련 실무 역량을 갖춘 인재에 대한 수요가 늘고 있습니다. 그럼에도 불구하고 딥러닝을 응용한 최신 분야인 만큼 학습을 위한 책, 자료, 강의등이 부족해 적절한 인력 양성이 어려운 현실입니다.

딥러닝 컴퓨터 비전 전문가로
거듭날 수 있게끔 이끌어 드립니다.

권 철민, 딥러닝 컴퓨터 비전 완벽 가이드

본 강의는 Object Detection과 Segmentation에 대한 깊이있는 이론 설명현업에서 바로 사용될 수 있는 많은 실습 예제들로 구성되어 있으며, 여러분을 현장에서 필요한 딥러닝 기반의 컴퓨터 비전 전문가로 발돋움시켜 드릴 것입니다.


쉬운 개념 설명부터
깊이있는 이론까지.

방대한 Object Detection/Segmentation 분야에 대해 쉬운 개념부터 RCNN계열, SSD, YOLO, RetinaNet, EfficientDet, Mask RCCN등에 대한 깊이있는 이론까지 명료하게 설명해 드립니다.

객체검출, 세그먼테이션 꼼꼼한 강의 장표와 함께 개념을 충실히 익힐 수 있습니다.

실습 예제를 통한
딥러닝 실전 능력 극대화.

직접 코딩을 하면서 구현해 보는 것보다 실전 능력을 높일 수 있는 방법은 없습니다.
본 강의는 많은 실습 예제로 구성되어 있으며, 이를 통해 여러분의 Object Detection과 Segmentation 구현 실전 능력을 극대화시켜 드릴 것입니다.

몸이 기억하고 있다! ©SLAM DUNK

이런 분들께
추천합니다.

딥러닝 CNN이 어떻게
실무에 적용될 수 있을지
고민하셨던 분

딥러닝 기반
컴퓨터 비전 솔루션
개발을 원하시는 분

딥러닝 이미지분류 역량
최신 CV 기술까지
넓히고픈 분

인공지능 대학원 진학,
딥러닝 기반 CV 분야
취업/이직 준비생

선수 지식을 확인해주세요.

  • 파이썬(Python) 프로그래밍 경험딥러닝 CNN에 대한 기본 이해가 필요합니다.
  • 그밖에 TF.Keras 또는 Pytorch에 대한 약간의 경험이 있다면 더욱 좋습니다.

어디서도 보기 힘든
최신 CV 기술을 한번에.

매우 뛰어난 성능의
최신 Object Detection/Segmentation 구현
패키지를 활용한 실습

MMDetection, Ultralytics Yolo, AutoML EfficientDet 등
범용적인 OpenCV DNN과 Tensorflow Hub를 활용한 Inference 실습

다양한 이미지와 영상에 대한
Object Detection/Segmentation 실습

실제로 컴퓨터 비전 기술을 활용하는 다양한 사례

여러 Custom 데이터 세트로
모델 Training 실습

다양한 커스텀 데이터 세트

딥러닝 컴퓨터 비전 전문가라면 여러 Custom 데이터 세트로 모델을 Training하여 자신만의 Object Detection/Segmentation 모델을 낼 수 있어야 합니다. 또 이 모델의 성능을 개선하고 Evaluation 할 수 있어야 합니다.

본 강의는 여러분에게 여러가지 구현 패키지를 활용하여 Custom 데이터 세트를 Training 하고 최적의 Inference 모델을 생성하는 능력을 배양해 드릴 것입니다.

직접 제작한 Training용 데이터 세트로
Custom 모델 Training / Inference 실습

직접 제작한 Training용 데이터 세트를 통한 실습

Annotation(어노테이션) 툴인 CVAT를 이용해 일반 이미지에 바운딩 박스 Annotation을 적용한 Training용 데이터 세트를 직접 제작하고, 이렇게 만든 데이터 세트를 이용하여 Custom 모델 Training 및 Inference를 실습합니다.


실습 환경 🧰

강의에 쓰인 실습 코드는 모두 Google Colab(구글 코랩) 환경 기반으로 작성되었습니다. 

코랩, 캐글 Google Colab, Kaggle 로고

GPU를 기반으로 실습을 진행하며, Colab의 Free GPU 할당이 충분하지 않을 경우 Colab Pro의 사용도 권장드립니다. (※ Colab Pro의 경우 월 10$ 정도의 비용이 발생합니다.) 

만약 Colab GPU 무료 커널 자원이 부족할 경우, Kaggle 커널을 사용하시면 됩니다.  Kaggle(캐글)용으로 만든 별도 실습 코드도 제공합니다. 섹션 0 - [실습 환경 구성] 수업을 참고하시면 보다 자세한 실습 환경에 대한 내용을 들으실 수 있습니다. 

수강 전 확인해주세요!

  • Colab, Kaggle 등의 GPU 커널을 사용하지 않으실 경우 예제를 따라하시는 데 어려움이 있습니다. 미리 양해 부탁드립니다.

실습 코드 및 강의 교재 👨‍💻

실습 코드https://github.com/chulminkw/DLCV_New에서 다운로드 받을 수 있습니다. 실습 코드를 미리 리뷰해 보시면 실습을 이해하기 위한 사전 프로그래밍 수준을 살펴보는 데 도움이 될 것입니다.

객체검출, 세그먼테이션 320p 분량의 강의 PDF 교재 제공

강의에 사용된 교재(320페이지 분량)강의 섹션 0: 강의 교재에서 다운로드 받으실 수 있습니다.


이론을 배우기 위해서
실습보다 더 나은 방법은 없습니다.

딥러닝 이론을 완벽하게 이해할 때까지 기다리지 마십시오. 이론을 배우기 위해서 실습보다 더 나은 방법은 없습니다.

일단 코딩을 시작하면 우리의 뇌는 실체적인 이해를 하기 위해 따라오게 되어 있습니다. 강의에서 제시해 드리는 다양한 실습 예제를 저와 같이 구현해 보시지요. 강의를 들으면서, 키보드를 누르면서 직접 구현해 보신다면 그동안 뜬구름같이 느껴졌던 부분들이 점점 실체화될 것입니다.

전문가가 되기 위해서는 가끔은(제 생각은 거의 대부분인 것 같습니다만) 걷는 걸 배우기 전에 뛰어야 할 때도 있습니다. 본 강의는 여러분의 진로와 역량을 딥러닝 기반의 컴퓨터 비전 분야에서 키울 수 있도록 최고의 동반자가 되어 드릴 것입니다.

감사합니다.

― <아이언맨 1>에서 토니 스타크가 아이언맨 수트 테스트 때 자비스에게 한 말

“가끔은 걸음마를 떼기 전에 뛰어야 할 때도 있어.”

인프런이 만난 사람 👨‍💻

권철민님 인터뷰를 읽어보세요 | 보러가기

지식공유자가 알려주는
강의 수강 꿀팁!
🎓
이런 분들께
추천드려요!
딥러닝에 관심있는 모든 이
딥러닝 기반의 Object Detection과 Segmentation에 대한 이론 위주의 학습을 해오신 분
딥러닝 CNN이 어떻게 실무에 적용될 수 있는지 고민해 오신 분
딥러닝 CNN Image Classification을 넘어서 Object Detection/Segmentation 분야로 역량을 넓히고 싶으신 분
Computer Vision 분야에서 딥러닝 기반의 솔루션 개발을 원하시는 분
캐글(Kaggle)과 같은 Competition에서 Object Detection/Segmentation Challenge에 도전하고 싶으신 분
AI 대학원을 준비 중이신 분
딥러닝 기반 Computer Vision 분야로 이직을 준비 중이신분
📚
선수 지식,
필요한가요?
파이썬 프로그래밍 경험
딥러닝 CNN에 대한 기본 이해
(Optional) TF.Keras나 Pytorch에 대한 얕은 경험

안녕하세요
권 철민 입니다.
권 철민의 썸네일

(전) 엔코아 컨설팅

(전) 한국 오라클

AI 프리랜서 컨설턴트

파이썬 머신러닝 완벽 가이드 저자

커리큘럼 총 168 개 ˙ 37시간 57분의 수업
이 강의는 영상, 첨부 파일이 제공됩니다. 미리보기를 통해 콘텐츠를 확인해보세요.
섹션 1. Object Detection의 이해
Object Detection과 Segmentation 개요 미리보기 13:27 Object Detection 주요 구성 요소 및 왜 Object Detection은 어려운가? 미리보기 10:52
Object Localization과 Detection의 이해 11:14
Region Proposal(영역 추정)의 이해와 슬라이딩 윈도우와의 비교 10:44
Region Proposal(영역 추정) - Selective Search 기법 09:40
Selective Search 실습 및 시각화 11:49
IOU(Intersection over Union)의 이해와 구현 실습 16:41
NMS(Non Max Supression)의 이해 07:31
Object Detection 성능 평가 지표 mAP의 이해 01 - 정밀도와 재현율 19:27
Object Detection 성능 평가 지표 mAP의 이해 02 - mAP 계산하기 14:55
섹션 2. Object Detection과 Segmentation을 위한 주요 데이터 세트 및 OpenCV 소개
Object Detection 주요 데이터 세트 소개 및 Pascal VOC 데이터 세트의 이해 미리보기 12:44
Pascal VOC 데이터 세트 탐색하기 19:27
MS-COCO 데이터 세트의 이해 13:04
OpenCV 개요 07:19
OpenCV를 활용한 이미지 처리 실습 미리보기 09:30
OpenCV를 활용한 영상 처리 실습 13:14
Object Detection 네트웍 개요 및 FPS/Resolution/성능 상관관계 08:55
섹션 3. RCNN 계열 Object Detecter(RCNN, SPPNet, Fast RCNN, Faster RCNN)
RCNN의 이해 01 - Region Proposal 기반의 Object Detection 모델 미리보기 13:13
RCNN의 이해 02 - RCNN Training과 Loss 13:52
SPPNet의 이해 01 - RCNN의 문제점과 Spatial Pyramid Matching 이해 16:44
SPPNet의 이해 02 - Spatial Pyramid Pooling을 활용한 Object Detection 10:59
Fast RCNN의 이해 18:22
Faster RCNN의 이해 01 - Anchor Box 15:41
Faster RCNN의 이해 02 - Anchor Box를 활용한 RPN 구성 13:53
Faster RCNN의 이해 03 - RPN과 Faster RCNN Training 및 성능 비교 19:42
OpenCV의 DNN을 이용한 Object Detection 구현 개요 16:02
OpenCV DNN으로 Faster RCNN Object Detection 실습 01 미리보기 13:48
OpenCV DNN으로 Faster RCNN Object Detection 실습 02 14:39
OpenCV DNN으로 Faster RCNN Object Detection Video Inference 실습 10:06
모던 Object Detection 모델 아키텍처 13:33
섹션 4. MMDetection의 이해와 Faster RCNN 적용 실습 - 01
Pytorch 기반의 주요 Object Detection/Segmentation 패키지 소개 05:22
MMDetection 소개 미리보기 16:36
<공지> mmcv 설치 명령어 변경 사항 공지드립니다. 03:30
MMDetection에서 Faster-RCNN Pretrained 모델을 활용하여 Infererence 수행하기 - 셋업 및 Pretrained 모델 다운로드 13:34
Faster-RCNN Pretrained 모델로 Inference 실행 - 01 미리보기 19:50
Faster-RCNN Pretrained 모델로 Inference 실행 - 02 19:51
Faster-RCNN Pretrained 모델로 Video Inference 실행 14:01
tiny kitti 데이터로 MMDetection Train 실습 - MMDetection Dataset의 이해 18:49
tiny kitti 데이터로 MMDetection Train 실습 - kitti data format 이해 10:04
tiny kitti 데이터로 MMDetection Train 실습 - Config와 CustomDataset 동작 메커니즘의 이해 01 11:41
tiny kitti 데이터로 MMDetection Train 실습 - Config와 CustomDataset 동작 메커니즘의 이해 02 16:10
tiny kitti 데이터로 MMDetection Train 실습 - CustomDataset 만들기 01 15:24
tiny kitti 데이터로 MMDetection Train 실습 - CustomDataset 만들기 02 15:10
tiny kitti 데이터로 MMDetection Train 실습 - Config 설정하기 16:57
tiny kitti 데이터로 MMDetection Train 실습 - Train 실행 후 이미지 Inference 24:12
tiny kitti 데이터로 MMDetection Train 실습 - 비디오 Inference 09:20
섹션 5. MMDetection의 이해와 Faster RCNN 적용 실습 - 02
Config의 이해 - Config 대분류 및 주요 설정 이해하기 16:02
Config의 이해 - Data Pipeline 16:04
Config의 이해 - Config의 전체 목록 참조하기 01:45
Oxford Pet 데이터로 Train 실습 - Oxford Pet 데이터 세트 설명 12:00
Oxford Pet 데이터로 Train 실습 - mmdetection용 Meta File 만들기 12:58
Oxford Pet 데이터로 Train 실습 - CustomDataset 만들기 미리보기 16:05
Oxford Pet 데이터로 Train 실습 - Config 설정 및 Train 수행 20:48
Oxford Pet 데이터로 Train 실습 - 학습 결과 확인 및 Inference 수행 21:40
COCO 형태 BCCD 데이터 학습 - VOC 형태의 BCCD 데이터를 COCO 형태로 변환하기 11:19
COCO 형태 BCCD 데이터 학습 - Dataset 변환, Config 설정, 학습 및 Inference 수행 16:30
COCO 형태 BCCD 데이터 학습 - 테스트 데이터 세트 Inference 수행 15:52
COCO 형태 BCCD 데이터 학습 - 테스트 데이터 세트 Evaluation 수행 07:30
섹션 6. SSD(Single Shot Detector)
SSD의 이해 01 - One Stage Detector와 SSD 개요 미리보기 07:20
SSD의 이해 02 - Multi Scale Feature Map 15:43
SSD의 이해 03 - SSD 네트웍 구조와 Multi Scale Feature Map/Anchor box의 활용 19:59
섹션 7. SSD 실습
OpenCV를 이용한 SSD Inference 실습 - 01 12:50
OpenCV를 이용한 SSD Inference 실습 - 02 16:01
Tensorflow Hub 개요 11:47
TF Hub의 Pretrained 모델을 이용하여 SSD Inference 수행하기 - 01 15:42
TF Hub의 Pretrained 모델을 이용하여 SSD Inference 수행하기 - 02 11:06
섹션 8. YOLO(You Only Look Once)
YOLO 개요 미리보기 12:00
YOLO v1 의 이해 - 01 09:47
YOLO v1 의 이해 - 02 12:02
YOLO v2 의 이해 - 01 11:11
YOLO v2 의 이해 - 02 15:25
YOLO v3 의 이해 - 01 08:18
YOLO v3 의 이해 - 02 16:37
OpenCV DNN으로 YOLO Object Detection 구현 개요 06:22
OpenCV DNN으로 YOLO Inference 실습 - 01 13:59
OpenCV DNN으로 YOLO Inference 실습 - 02 14:29
GPU를 활용한 Object Detection 모델의 Training 수행 시 유의사항 15:26
섹션 9. Ultralytics Yolo 실습 - 01
Ultralytics Yolo v3 패키지 개요 15:26
Pretrained 모델로 단일 이미지 Inference 실습 미리보기 15:34
Pretraiend 모델로 Video Inference 실습 10:19
coco128 데이터로 Train 실습 - train.py 수행해보기 15:35
coco128 데이터로 Train 실습 - wandb(weight and bias) 적용하기 12:21
coco128 데이터로 Train 실습 - Ultralytics Yolo 패키지의 Train 프로세스 개요 15:41
coco128 데이터로 Train 실습 - config와 weight file의 상대경로, 절대 경로 차이 이해 14:12
coco128 데이터로 Train 실습 - 데이터 디렉토리 구조와 data config를 매핑하기 07:44
Oxford Pet 데이터 Train 실습 - 데이터 리뷰와 학습과 검증용 데이터 구조 만들기 개요 10:41
Oxford Pet 데이터 Train 실습 - 학습과 검증용 데이터를 위한 메타정보 만들기 13:27
Oxford Pet 데이터 Train 실습 - Ultralytics Yolo 포맷으로 Annotation 변환 15:20
Oxford Pet 데이터 Train 실습 - Dataset yaml 적용 후 Train 수행 14:09
Oxford Pet 데이터 Train 실습 - Train_결과 리뷰 및 단일 이미지와 Video Inference 수행, 그리고 Test 데이터 Evaluation 적용하기 20:04
섹션 10. Ultralytics Yolo 실습 - 02
Annotation 툴을 이용하여 Custom Dataset 만들기 - CVAT 툴 소개 07:38
Annotation 툴을 이용하여 Custom Dataset 만들기 - CVAT 계정 등록 및 Task 생성하기 10:21
Annotation 툴을 이용하여 Custom Dataset 만들기 - CVAT로 Annotation을 만들고 Yolo 포맷 변환 수행 10:38
CVAT로 생성한 Incredibles 데이터로 Train 실습 09:23
Incredibles 데이터 Train 결과 리뷰 및 단일 이미지와 Video Inference 수행 11:11
Yolo V5로 COCO형태의 BCCD 데이터 Train 실습 - Coco2Yolo 데이터 셋 변환 개요 12:09
Yolo V5로 COCO형태의 BCCD 데이터 Train 실습 - COCO 데이터를 Ultralytics Yolo 포맷으로 변환하기 16:01
Yolo V5로 COCO형태의 BCCD 데이터 Train 실습 - Dataset yaml 적용 후 Train과 Inference 수행 16:18
섹션 11. RetinaNet 과 EfficientDet
RetinaNet 개요 미리보기 06:25
RetinaNet의 이해 - Focal Loss 15:45
RetinaNet의 이해 - Feature Pyramid Network 13:42
EfficientDet 개요 미리보기 11:28
EfficientDet의 이해 - BiFPN 19:31
EfficientDet의 이해 - EfficientNet 12:57
EfficientDet의 이해 - Compound Scaling과 성능 평가 14:17
섹션 12. AutoML EfficientDet 실습 - 01
AutoML EfficientDet 패키지 소개 07:42
Tensorflow Hub의 EfficientDet 모델을 이용한 Inference 실습 01 08:45
Tensorflow Hub의 EfficientDet 모델을 이용한 Inference 실습 02 15:04
Tensorflow Hub의 EfficientDet Lite 모델을 이용한 Inference 실습 미리보기 13:26
<공지> AutoML EfficientDet 패키지의 keras -> tf2 namespace 변경에 따른 실습코드 공지 05:02
AutoML EfficientDet 패키지 구성 이해 및 설치하기 12:07
AutoML EfficientDet을 이용한 Inference 수행 18:14
AutoML EfficientDet Inference 수행 결과 분석 및 시각화 20:39
이미지 크기 변경 후 AutoML EfficientDet Inference 재 수행 및 결과 분석 08:16
섹션 13. AutoML EfficientDet 실습 - 02
AutoML EfficientDet으로 Custom 데이터 Train 실습 개요 미리보기 04:55
AutoML EfficientDet으로 Pascal VOC Train 실습 - 유틸리티를 이용하여 tfrecords 데이터 세트 만들기 10:01
AutoML EfficientDet으로 Pascal VOC Train 실습 - Train을 위한 Config 설정 16:33
AutoML EfficientDet으로 Pascal VOC Train 실습 - Model과 Dataset 생성하고 Train 수행 15:55
AutoML EfficientDet으로 Pascal VOC Train 실습 - Train 결과 리뷰 및 Train된 모델로 Inference 수행 12:13
AutoML EfficientDet으로 Esri Object Detection Challenge 실습 - TFRecord의 이해 23:02
AutoML EfficientDet으로 Esri Object Detection Challenge 실습 - Esri 데이터 세트 살펴 보기 11:35
AutoML EfficientDet으로 Esri Object Detection Challenge 실습 - Esri 데이터를 TFRecord로 만들기 01 25:00
AutoML EfficientDet으로 Esri Object Detection Challenge 실습 - Esri 데이터를 TFRecord로 만들기 02 13:07
AutoML EfficientDet으로 Esri Object Detection Challenge 실습 - Config 설정 및 Train 실행 14:30
AutoML EfficientDet으로 Esri Object Detection Challenge 실습 - Train 결과 리뷰 및 Inference 실행 12:18
섹션 14. Segmentation - Mask RCNN
Segmentation 개요 미리보기 10:43
Semantic Segmentation FCN의 이해 16:12
Mask RCNN의 이해 01 19:36
Mask RCNN의 이해 02 06:34
섹션 15. Mask RCNN - 실습 01
MS COCO 데이터 포맷 상세 이해 12:01
pycocotools 이해와 활용 15:54
pycocotools를 이용한 Segmentation 시각화 08:52
Polygon과 Mask Segmentation 시각화 - 01 15:30
Polygon과 Mask Segmentation 시각화 - 02 11:01
Polygon과 Mask Segmentation 시각화 - 03 09:52
opencv DNN을 이용하여 Mask RCNN Inference 수행 - Inference 수행 후 결과 추출 13:30
opencv DNN을 이용하여 Mask RCNN Inference 수행 - Inference 수행 후 Mask 결과 시각화 18:31
opencv DNN을 이용하여 Mask RCNN Inference 수행 - Inference 시각화 코드 함수화 및 Video Inference 수행 10:45
MMDetection을 이용한 Mask RCNN Inference 실습 - Mask RCNN Config 설정 및 Inference 수행 미리보기 12:23
MMDetection을 이용한 Mask RCNN Inference 실습 - Masking inference 반환 결과 분석 15:33
MMDetection을 이용한 Mask RCNN Inference 실습 - Video Inference 수행 06:16
MMDetection을 이용한 Mask RCNN Inference 실습 - Inference 결과 Segmentation 시각화 직접 구현하기 18:29
섹션 16. Mask RCNN - 실습 02
Pascal VOC 데이터를 이용한 Train 실습 - Pascal VOC 데이터를 COCO 포맷으로 변환하기 17:49
Pascal VOC 데이터를 이용한 Train 실습 - Dataset과 Config 설정 후 Train 실행하기 11:08
Pascal VOC 데이터를 이용한 Train 실습 - Train된 모델을 이용하여 이미지와 Video Inference 실행 09:53
Pascal VOC 데이터를 COCO 포맷으로 직접 변환 로직 개요 07:39
Balloon 데이터를 이용한 Train 실습 - Balloon 데이터 세트 구조 이해 11:48
Balloon 데이터를 이용한 Train 실습 - Balloon annotation을 COCO 포맷용 annotation으로 변환 19:51
Balloon 데이터를 이용한 Train 실습 - Train 실행 및 Gray Scale로 배경 적용한 Segmentation 구현하기 18:40
Kaggle Nucleus Segmentation Challenge 실습 - Nucleus 데이터 살펴보기 01 15:45
Kaggle Nucleus Segmentation Challenge 실습 - Nucleus 데이터 살펴 보기 02 27:45
Kaggle Nucleus Segmentation Challenge 실습 - Mask 이미지 파일에서 Segmentation Poloygon 좌표 추출하기 14:29
Kaggle Nucleus Segmentation Challenge 실습 - COCO 포맷으로 Annotation 변환하기 20:23
pycocotools를 이용하여 coco json의 segmentation 시각화 06:40
Kaggle Nucleus Segmentation Challenge 실습 - Config 설정 및 Train 수행 11:40
Kaggle Nucleus Segmentation Challenge 실습 - Train 결과 리뷰 및 Inference 수행 10:16
섹션 17. 구버전 Tensorflow Object Detection API(개정판 출시에 따라 해당 섹션은 한달 뒤(2021-08-06) 삭제될 예정입니다)
Tensorflow Object Detection API 개요 13:09
Tensorflow Object Detection API를 위한 환경 설정 및 셋업하기 16:57
Tensorflow Object Detection API를 이용한 Custom 데이터 세트 Training 프로세스 이해 12:15
Oxford Pet 데이터 세트 Training 및 Object Detection 실습 01 19:25
Oxford Pet 데이터 세트 Training 및 Object Detection 실습 02(Pipeline Config 수정및 Training 수행) 18:41
Oxford Pet 데이터 세트 Training 및 Object Detection 실습 03(Inference 수행) 11:50
Oxford Pet 데이터 세트 Training 및 Object Detection 실습 04(TF Record 생성로직 Customization 및 재 Training) 25:37
Oxford Pet 데이터 세트 Training 및 Object Detection 실습 05(Pretrained 된 Inference 모델로 OpenCV DNN에서 Object Detection 수행) 13:11
강의 게시일 : 2020년 04월 02일 (마지막 업데이트일 : 2021년 11월 01일)
수강평 총 87개
수강생분들이 직접 작성하신 수강평입니다. 수강평을 작성 시 300잎이 적립됩니다.
4.9
87개의 수강평
5점
4점
3점
2점
1점
VIEW 좋아요 순 최신 순 높은 평점 순 낮은 평점 순 평점 순 높은 평점 순 낮은 평점 순
노승희 thumbnail
최고입니다. . 이런 강의를 이 가격에 들을 수 있다는거 자체가 행운인거 같습니다. . 100번 강추 합니다
2020-06-19
한병식 thumbnail
권철민 강사님 강의는 언제나 최고입니다. 감사합니다.
2020-04-06
휴식중인 몽구스 thumbnail
구글 클라우드에서 동일한 조건을 구축하고 시작하는 방법부터 설명해 주셔서 오류가 나면 내잘못이구나 하고 파악하기가 쉽습니다. 리눅스 언어는 처음이라 생소한데, 강사님 강의 보다 보니 자주사용하는 것들은 자연스럽게 알게 되네요 . 각 디텍션 방법들에 대한 개념과 장단점, 예제가 잘 되어 있어서 좋습니다.
2020-04-23
율언니 thumbnail
극강입니다. 좋은 실습 예제들 큰 도움이 되었습니다 ^^
2020-04-09
JH S thumbnail
진짜 말도안되게 좋습니다.. 옆동네 코코 pytorch 들으면서 인프런한테 화가 미친듯이 났는데. 이 강좌듣고 행복을 찾았어요 정말정말 감사합니다
2020-08-28
연관 로드맵
이 강의가 포함된 잘 짜여진 로드맵을 따라 학습해 보세요!
지식공유자 되기
많은 사람들에게 배움의 기회를 주고,
경제적 보상을 받아보세요.
지식공유참여
기업 교육을 위한 인프런
“인프런 비즈니스” 를 통해 모든 팀원이 인프런의 강의를
자유롭게 학습하는 환경을 제공하세요.
인프런 비즈니스