nexthumans

강의 인코딩시 문제가 있었는지 처음 보고 받았습니다. 내용 확인해 보니 업로드 강의 인코딩시 에러가 있었던 것 같네요. &nbsp;뒤늦게라도 이런 오류가 있었는지 확인해 주셔서 고맙습니다.&nbsp;11강은 재업로드를 하여 조치하였습니다. 현재 인코딩 중으로 확인되니, 곧 강의가 정상적으로 플레이 될 것입니다.&nbsp;불편을 드려 죄송합니다.

11강 파티션 이해하기 부분이 미완성강의네요

미완성일 리가 있나요^^인프런 플랫폼 이상일 수 있을 것 같아요. 확인후 조치할 수 있도록 하겠습니다.&nbsp;많이 불편하시겠지만 외부에서 확인이 즉시 힘든점 양해부탁드립니다.

네^^ 전혀 상관없습니다&nbsp;열공하세요~

질문있습니다.

강의에 적용된 모델은 "정상/붕량'을 이진 분류하는 구조로 설계되어 있어, "이 샘플이 이상하다/아니다"를 판단합니다. 질문 하신 것처럼 불량영역을 박스(ROI)로 표시하려면, 분류 모델이 아니라,<ul><li>Object Detection(객체 탐지) 모델(예, YOLO, Faster R-CNN 계열)이나</li><li>Segmentation(분할)기반 불량 영역 탐지 모델(예: U-Net 계열, anomaly segmentation)으로 설계를 바꾸고, 각 불량 영역에 대해 Bounding Box나 마스크 라벨을 다시 구축하는 작업이 필요해요.</li></ul>만약 추가 라벨링 없이 '대략적인 불량 위치'를 보고 싶은 것이라면,현재 분류 모델의 feature map 을 활용한<ul><li>Grad-CAM / Class Activation Map(CAM) 과 같은 기법으로 heatmap 형태의 시각화는 비교적 빠르게 검토가 가능해요. 다만, 이 방식은 정확한 박스 표시라기보다는 '의심 구역 강조'에 가까워요.</li></ul>도움이 되었길 바랍니다.&nbsp;강의코드는 이메일로 보내드렸습니다.&nbsp;열공하세요~

강의 코드 요청 및 질문

이메일로 메일 한 통 보내주세요~ 바로 보내드리도록 할게요.

수업 자료 요청입니다

"패치 업데이트 강의" 섹션을 추가해서 해당 질문에 대한 대처방법을 올려두었습니다.앞선 답변이 부족하면 영상을 참고하시기 바랍니다.&nbsp;그럼 열공하세요~

end point 생성 관련 질문드립니다!

체험 계정에서는 End-point 생성이 안 되는걸까요?

원인을 파악했습니다.Databricks 측에서 기존의 legacy serving 을 없애고 새롭게 Mosaic AI Model Serving 으로 정책을 바꾸면서, 사용자의 ML/DL 모델은 물론, LLM 모델들을 한 곳에서 모두 Serverless Model Serving 을 하도록 해 놓았네요. 찾아보니, 기존에 serving 으로 올려놓은 모델들이 run_id 가 그대로 살아 있음에도 불구하고 endpoint 를 종전처럼 이용할 수 없게 바꾸어 놓았습니다.&nbsp;아쉬운 점은 Mosaic AI Model Serving 이 유료라는 점이네요.<a target="_blank" rel="noopener noreferrer nofollow" href="https://www.databricks.com/product/pricing/model-serving">https://www.databricks.com/product/pricing/model-serving</a>&nbsp;그렇기에 유료 계정으로 사용하고 있으니 create endpoint 가 동작하지 않을 거예요.&nbsp;pricing 을 확인해 보면 비용은 매우 저렴한 편이라 학습용으로 약간 이용하는 수준이라면 부담은 없을 것으로 보여요.&nbsp;serverless serving 이 특징이다보니, create endpoint 를 누르면 container 레지스트리가 생성되며 REST API로 엔드포인트가 제공되어, 종전보다 훨씬 편하게 모델을 이용할 수 있다는 점이 가장 큰 장점입니다.&nbsp;

데이터브릭스가 업데이트되면서 발생하는 현상인것 같은데요, 확인해보고 연락드리도록 할게요~

안녕하세요~ 많이 답답하셨겠네요.필요하신 코드를 공유합니다~ <pre><code class="language-python">import numpy as np
import matplotlib.pyplot as plt
from PIL import Image, ImageDraw
from pathlib import Path

def load_image(file_path: Path) -> np.array:
 """
 Load an image from a given file path and convert it to a NumPy array.
 
 Args:
 file_path (Path): Path to the image file.
 
 Returns:
 np.array: The image as a NumPy array.
 """
 pil_image = Image.open(file_path)
 return np.array(pil_image)

def add_irregular_patch(noisy_image: np.array, patch_pixels: int, noise_value: int) -> np.array:
 """
 Adds an irregular, polygonal noise patch to the image.
 
 Args:
 noisy_image (np.array): The image array to modify.
 patch_pixels (int): Approximate area of the noise patch in pixels.
 noise_value (int): Noise value (255 for salt, 0 for pepper).
 
 Returns:
 np.array: The modified image with the noise patch added.
 """
 img_pil = Image.fromarray(noisy_image)
 draw = ImageDraw.Draw(img_pil)
 img_width, img_height = img_pil.size

 # Estimate an average radius from the patch area (area ≈ πr²)
 r = int(np.sqrt(patch_pixels / np.pi))
 r = max(r, 5) # Ensure a minimum patch size

 # Choose a random center where the patch can fit
 center_x = np.random.randint(r, img_width - r)
 center_y = np.random.randint(r, img_height - r)

 # Random number of vertices for the irregular polygon
 num_points = np.random.randint(5, 10)
 angles = np.linspace(0, 2 * np.pi, num_points, endpoint=False)
 angles += np.random.uniform(0, 2 * np.pi / num_points, size=num_points)
 # Generate random radii for each vertex around the average radius
 radii = np.random.uniform(0.5 * r, 1.5 * r, size=num_points)
 
 # Create the polygon points
 points = [
 (int(center_x + radius * np.cos(angle)), int(center_y + radius * np.sin(angle)))
 for angle, radius in zip(angles, radii)
 ]
 
 # Set the fill color based on image mode
 fill_color = (noise_value, noise_value, noise_value) if img_pil.mode == 'RGB' else noise_value

 draw.polygon(points, fill=fill_color)
 return np.array(img_pil)

def random_patch_areas(total: int, num_patches: int) -> np.array:
 """
 Split the total noise area into a random distribution of patch areas that sum to total.
 
 Args:
 total (int): Total number of noisy pixels for this noise type.
 num_patches (int): Number of patches.
 
 Returns:
 np.array: Array of patch areas.
 """
 areas = np.random.rand(num_patches)
 areas = areas / areas.sum() # Normalize so areas sum to 1
 areas = (total * areas).astype(int)
 # Adjust in case of rounding issues
 diff = total - areas.sum()
 areas[0] += diff
 return areas

def apply_random_irregular_noise(image: np.array, amount: float, salt_vs_pepper: float) -> np.array:
 """
 Applies random irregular noise patches (both salt and pepper) to an image.
 
 Args:
 image (np.array): The original image.
 amount (float): Fraction of total image pixels to be noised.
 salt_vs_pepper (float): Fraction of noise that is salt (white).
 
 Returns:
 np.array: The noisy image.
 """
 noisy = image.copy()
 total_pixels = image.shape[0] * image.shape[1]
 num_pixels = int(amount * total_pixels)
 
 # Calculate noise areas for salt and pepper
 num_salt = int(salt_vs_pepper * num_pixels)
 num_pepper = num_pixels - num_salt

 # Randomly determine number of patches (e.g., 1 to 3 patches)
 num_salt_patches = np.random.randint(1, 10)
 num_pepper_patches = np.random.randint(1, 10)

 # Split the noise area into patch areas
 salt_patch_areas = random_patch_areas(num_salt, num_salt_patches)
 pepper_patch_areas = random_patch_areas(num_pepper, num_pepper_patches)

 # Add salt noise patches
 for area in salt_patch_areas:
 noisy = add_irregular_patch(noisy, area, 255)

 # Add pepper noise patches
 for area in pepper_patch_areas:
 noisy = add_irregular_patch(noisy, area, 0)
 
 return noisy

def plot_images(original: np.array, noisy: np.array) -> None:
 """
 Plots the original and noisy images side by side.
 
 Args:
 original (np.array): The original image.
 noisy (np.array): The noisy image.
 """
 fig, axes = plt.subplots(1, 2, figsize=(10, 5))
 axes[0].imshow(original)
 axes[0].set_title("Original Image")
 axes[0].axis("off")
 
 axes[1].imshow(noisy)
 axes[1].set_title("Image with Random Irregular Noise Patches")
 axes[1].axis("off")
 
 plt.tight_layout()
 plt.show()

def main(file_path:Path, amount:float, salt_vs_pepper:float):

 # Load the image
 image = load_image(file_path)
 
 # Apply the noise
 noisy_image = apply_random_irregular_noise(image, amount, salt_vs_pepper)
 pil_image = Image.fromarray(noisy_image)
 
 # save noisy image
 output_file_path = Path('noisy_frames') / f"{file_path.stem}_noisy{file_path.suffix}"
 output_file_path.parent.mkdir(exist_ok=True)
 pil_image.save(output_file_path, format='JPEG')
 
 # Display the original and noisy images
 plot_images(image, noisy_image)

if __name__ == "__main__":
 file_path = Path('frames') / 'frame_0.jpg'
 amount = 0.01 # Fraction of image pixels to be noised
 salt_vs_pepper = 0.6 # Fraction of noise that is salt (white)

 main(file_path, amount, salt_vs_pepper)</code></pre>

nexthumans

Posts