postgres-1에 minio에서쓸 meta data 속성이 왜저장되나요?

안녕하십니까, 강의에서 말씀 드리는 메타 데이터는 airflow 용 메타 데이터 입니다. minio의 메타 데이터가 아닙니다. 여기서 메타 데이터라고 하는 것은 airflow가 DAG등의 운용을 위해서 관리하고 저장하는 데이터를 의미합니다. 추후 강의에서 직접 Postgres-1 container에 들어가서 어떻게 airflow가 DAG를 포함한 Airflow 주요 component와 관련된 데이터를 저장하고, 관리하는지 직접 DB에 접속해서 보여 드릴겁니다. 요약드리자면, 본 영상에서 설명하는 메타 데이터는 MinIO 용도가 아니라 Airflow 동작을 위해서 Postgres DB에 저장하는 데이터를 의미합니다. 감사합니다.

astro dev init 에 Dockerfile 버전 고정 방법 문의

안녕하십니까강의와 같이 astro cli 1.34.0 을 설치하셨는데, Dockerfile이 FROM astrocrpublic.azurecr.io/runtime:3.2-4 가 만들어지시는 건가요? powershell이나 command 창에서 astro version 하셔서 astro 버전을 다시 한번 확인해 주십시요. astro 버전이 1.34.0인데 여전히 Dockerfile 파일이 FROM astrocrpublic.azurecr.io/runtime:3.2-4 라면, [공지] 실습 컨테이너 환경 이슈시 container, image, volume 삭제하기 영상을 보시고 기존 container, image, volume 다 삭제하시고, Dockerfile을 FROM astrocrpublic.azurecr.io/runtime:3.1-13 로 변경해 주시고, 다시 시작해 주십시요. 감사합니다.

MMDetection 버전 이슈

안녕하십니까, 강의를 잘 듣고 계시다니, 저도 기분이 좋군요 ^^mmdetection이 3.x 가 되면서 기존 2.x 대비 적용 방식이 많이 변경 되었습니다. 저는 2.x를 익혀두시면 3.x는 스스로 공부하셔도 금방 익히실 거라 생각됩니다. 하지만 말씀하신대로 3.x를 바로 익히시는 것보다는 더 비효율적이라는 부분은 어쩔수가 없을 것 같습니다. 현재 제 일정상으로는 강의를 mmdetection 3.x로 업그레이드 하기는 어렵군요. 아쉽지만 당분간은 강의를 2.x 그대로 유지해야 할 것 같습니다. 양해 부탁드립니다. 감사합니다.

최신버젼 다운로드

안녕하십니까, 100%로 확신할 순 없지만(99% 이상 확신으로 ^^), 강의 실습에 사용된 SQL이 ANSI 표준이라 최신 버전 PostgreSQL을 설치하셔도 실습에 무방할 것 같습니다. 감사합니다.

모델 서빙과 관련된 강좌 출시 예정된 바가 있으신지 여쭤봅니다!

안녕하십니까, 제가 이 강의 이후 후속 강의를 모델 서빙 강의를 할지 고민하고 있다고 말씀은 드렸는데, 지금 진행하고 있는 일이 너무 많아서, 모델 서빙 강의는 당분간 어려울 것 같습니다. . 성원에 보답하지 못해서 아쉽지만, 양해 부탁드립니다. 감사합니다.

모델 서빙과 관련된 강좌가 출시되는지 질문드립니다.

안녕하십니까, 이 강의는 아니고, FastAPI 강의에서 제가 마지막쯤에 후속 강의를 모델 서빙 강의를 할지 고민하고 있다고 말씀은 드렸는데, 지금 진행하고 있는 일이 너무 많아서, 모델 서빙 강의는 당분간 어려울 것 같습니다. . 성원에 보답하지 못해서 아쉽지만, 양해 부탁드립니다. 감사합니다.

강사님 안녕하세요 ㅎdatabricks환경에 대한 설

안녕하십니까, 강의 소개 영상이 예전에 작성된거라, 바로 이어지는 다음 영상에 더 이상 Databricks cloud 환경을 사용할 수 없는 부분에 대해서 말씀 드리고 있습니다. 예전에는 Databricks community edition에서 무로로 Databricks 환경을 사용할 수 있었으나, 현재는 더 이상 지원되지 않으며, Free Edition은 Databricks 자체의 가격은 Free이지만 AWS, Google 등에서 사용해야 하므로 (적지 않은) 비용이 들어 갑니다. 그리고 Free Edition 은 기능이 너무 제약적이라 더 이상 강의 사용용도로는 맞지 않습니다. 그렇다고 Enterprise Edition을 사용하면 너무 비용이 많이 들어서 강의에서 사용할 수가 없습니다. 본 강의는 Spark 기반의 DataFrame, SQL, 그리고 ML에 촛점을 맞춰서 강의하고 있습니다. databricks에 대한 환경구성, 설정내용이 그렇게 어려운 부분은 아니지만, 아쉽게도 해당 부분은 더 이상 강의에서 다루고 있지 않습니다(물론 예전 강의 영상이 그대로 있는 부분이 있어서, Databricks 환경 구성등의 내용이 일부 있을 수 있지만, 과거 Databricks 설정 영상이라 현재와 맞지 않을 수 있습니다). 만약 해당 이유 때문에 강의를 선택하셨다면, 아쉽지만 강의를 환불 받으시면 어떨까 싶습니다. 아직 강의 자료를 다운로드 받지 않으셨다면, 환불 신청을 바로 하셔도 되고, 강의 자료를 받으셔서 환불이 안된다면, 인프런 오른쪽 하단의 문의하기를 선택하시고, 환불 신청을 하신 다음에 제가 환불을 허락했다고 말씀해 주십시요. 여기 글 URL을 인프런에 알려 주셔도 좋을 것 같습니다. 그래도 환불이 안되면 여기에 다시 글 남겨 주십시요. 감사합니다.

astro dev start - python 라이브러리 설치 fail

안녕하십니까, container에서 python 3.13 으로 설치가 되어서 numpy 1.26.4 가 설치가 안되는군요. 제가 실습 코드를 다 테스트 해보지는 않았지만, numpy, pandas 가 설치가 되면 실습에는 문제가 없을 것 같습니다. 다만 실습환경 동일하게 버전을 설정하시면 좋을 것 같습니다. 제가 강의에서는 astro version을 1.34.0 을 설치합니다. 해당 버전이 맞는지 확인 부탁드립니다. command 창에서 astro version 하시면 설치하신 버전이 나옵니다. 현재 버전이 어떻게 되는지 여기에 글 부탁드립니다. 감사합니다.

[개정판] 딥러닝 컴퓨터 비전 완벽 가이드 먼저? 구현하며 배우는 Transformer 먼저?

안녕하십니까, 강의 잘 듣고 계시다니, 저도 기분이 좋습니다. 딥러닝 컴퓨터 비전 완벽 가이드와 구현하며 배우는 Transformer는 서로 영역이 달라서 순서라기 보다는 더 관심 있으신 쪽으로 선택하시면 좋을 것 같습니다. 컴퓨터 비전 쪽으로 좀 더 관심이 있으시다면, 오브젝트 디텍션과 세그먼테이션을 다루는 딥러닝 컴퓨터 비전 완벽 가이드로, Transformer를 확실히 정복하고 싶으시다면 구현하며 배우는 Transformer를 선택하시면 좋을 것 같습니다. 딥러닝 모델 구현 쪽으로 보다 집중하신다면 Transformer 강의를, 비전 응용쪽으로 집중하시고자 한다면 컴퓨터 비전 완벽 가이드를 추천 드립니다. 감사합니다.

강의 환경설정 질문

안녕하십니까,강의 실습은 Runpod 로 하는게 제일 좋습니다. 강의의 실습을 위해서 mmdetection, ultralytics yolo를 사용하는데, 해당 패키지의 cuda 버전, pytorch 지원 버전 및 기타 utility 패키지의 버전이 조금씩 다릅니다. 그래서 미리 build된 실습 image를 Runpod에서 구동하시는게 제일 빠르고 좋은 방법입니다.그리고 cuda 버전이 달라져서, 말씀하신대로 conda나 uv로 이게 가능한지 잘 모르겠습니다. ChatGPT 돌려보니 가능한 것 같은데, 단계가 복잡한 것 같습니다. 설사 이게 가능해도 패키지들간의 호환성 맞추는게 어려워서 권장드리고 싶지 않습니다. Docker를 다루실 수 있으면, Docker로 구성하는 것도 방법입니다. 아래가 제가 mmdetection 구성했을 때 사용한 Dockerfile입니다. image build 하셔서 개인 GPU에서 함 적용해 보시는 것도 방법일 것 같습니다.ARG PYTORCH="1.9.0"ARG CUDA="11.1"ARG CUDNN="8"FROM pytorch/pytorch:${PYTORCH}-cuda${CUDA}-cudnn${CUDNN}-devel# --------------------------------------------------# Environment# --------------------------------------------------ENV DEBIAN_FRONTEND=noninteractive \TORCH_CUDA_ARCH_LIST="6.0 6.1 7.0 7.5 8.0 8.6+PTX" \TORCH_NVCC_FLAGS="-Xfatbin -compress-all" \FORCE_CUDA=1 \CMAKE_PREFIX_PATH=/opt/conda \PATH=/opt/conda/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin# Ensure bash login shell so conda paths applySHELL ["/bin/bash", "-lc"]# To fix GPG key error when running apt-get updateRUN apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/3bf863cc.pubRUN apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/7fa2af80.pubRUN apt-get update && apt-get install -y \ffmpeg libsm6 libxext6 git ninja-build libglib2.0-0 libsm6 libxrender-dev libxext6 unzip curl vim openssh-server \&& apt-get clean \&& rm -rf /var/lib/apt/lists/*# --------------------------------------------------# SSH setup (RunPod compatible)# --------------------------------------------------RUN mkdir -p /var/run/sshd \&& echo 'root:root' | chpasswd \&& sed -i 's/#PermitRootLogin prohibit-password/PermitRootLogin yes/' /etc/ssh/sshd_config \&& sed -i 's/#PasswordAuthentication yes/PasswordAuthentication yes/' /etc/ssh/sshd_config# --------------------------------------------------# Python + Jupyter# --------------------------------------------------RUN python -m pip install --upgrade pip && \python -m pip install \jupyterlab \ipykernel# Explicit kernel registration (IMPORTANT)RUN python -m ipykernel install \--name python-conda \--display-name "Python (Conda)"# Install MMCVRUN pip install --no-cache-dir --upgrade pip wheel setuptoolsRUN pip install --no-cache-dir mmcv-full==1.3.17 -f https://download.openmmlab.com/mmcv/dist/cu101/torch1.6.0/index.htmlRUN mkdir -p /content/mmdetection && chmod -R 777 /content# Install MMDetectionRUN conda clean --allRUN git clone --branch 2.x https://github.com/open-mmlab/mmdetection.git /content/mmdetectionWORKDIR /content/mmdetectionENV FORCE_CUDA="1"RUN pip install --no-cache-dir -r requirements/build.txtRUN pip install --no-cache-dir -e .# --------------------------------------------------# Expose SSH + Jupyter# --------------------------------------------------EXPOSE 22 8888# --------------------------------------------------# Start services# --------------------------------------------------CMD service ssh start && \jupyter lab \--ip=0.0.0.0 \--port=8888 \--no-browser \--allow-root \--ServerApp.root_dir=/content \--ServerApp.token='' \--ServerApp.password='' \--ServerApp.allow_origin='*' \--ServerApp.allow_remote_access=True \--ServerApp.trust_xheaders=True