수업을 마치며 마지막 질문 드립니다.

안녕하십니까, 

오, 축하드립니다. 

늘 새벽, 밤늦게까지 공부하시더니, 마침내 완강하셨군요. 

1. 새로운 커스텀 데이터에 Masking 에 대한 Annotation 은 어떻게 만드나요?? 이전에 BBox Annotation 제작했었던 것처럼 cvat를 이용해서 만들 수 있는지, 아니면 다른 방법으로 만드는지 궁금합니다

=> CVAT는 Segmentation도 annotation이 가능합니다. 여기서 설명드리기는 어렵고, 아래 URL을 참조해 보십시요. 해당 URL에서 좀 더 내려가 보시면 Segmentation 만드는 유튜브도 있습니다. 

https://www.intel.com/content/www/us/en/developer/articles/technical/computer-vision-annotation-tool-a-universal-approach-to-data-annotation.html

2. 현재 DLCV 관련 분야로 취직을 목표로 하고 있습니다. 허나 비전공자로서 혼자 공부를 하다보니 방향을 잡기가 좀 힘든 것 같습니다. 대학원같은 경우는 현재 상황상 불가능하여 우선은 배운 것을 바탕으로 캐글같은 컴페티션 경험이나 DLCV 관련 논문을 읽고 구현해보는 경험을 쌓아볼까 하는데, 선생님께서 생각하시기에는 어떤 내용을 추가적으로 공부하면 좋을지 어떤 방향으로 경험과 실력을 쌓아가는 것이 좋을지 자문을 구하고 싶습니다.

=> 캐글 컴페티션과 DLCV 논문 구현 두가지를 다하면 좋습니다만, 만약 시간이 부족하다면, Yolo와 같은 논문 구현을 해보시는게 좋을 것 같습니다.  옛날 keras 버전인데 https://github.com/qqwweee/keras-yolo3 의 yolo v3 구현 코드 정도로 시작하면 좋을 것 같습니다(쉽진 않습니다 ^^;;).

그리고 https://github.com/zzh8829/yolov3-tf2 도 참조해 보시면 좋습니다. 소스코드는 위에 보다 쉬운데, 구현 코드가 좀 논문하곤 살짝 다릅니다(어려운 부분을 잘못 구현한거 같습니다). 구현체도 런타임시 오류가 발생하기 쉬운데, 그냥 실습용으로 학습하시면 좋을 것 같습니다. 

3. AutoML과 같은 패키지들을 DLCV 관련 현업에서도 사용하는지 궁금합니다. 뭔가 현업에서는 자신들의 목적에 맞게 모델을 직접 만들 것 같은데 실제로 어떠한지 알고싶습니다. 혹시 현업에서 모델을 직접 만든다면 그러한 능력을 키우고 경험을 쌓아두어야할지 궁금합니다.  

=> AutoML을 Deep Learning에 적용하는 것은 구글과 같이 대규모의 GPU를 이용하는 경우가 아니고서는 너무 오랜 학습시간때문에 일반 기업에서는 현실적으론 힘듭니다. 

대부분 잘 돌아가는 알고리즘을 가져다 씁니다. 중요한건 데이터이기 때문에 데이터를 어떻게 확보하고, 가공할지에 좀 더 많은 촛점을 두고 있습니다.