본문 바로가기

Data_Analysis_Track_33/Python

 (63)
Python_Computer_vision_04(yolov8_pose) Pose estimation - model: yolov8?-pose 추론결과 - YOLO Pose는 사람의 주요 관절의 위치 keypoint 정보와 사람의 bounding box를 추론한다. - keypoints는 Results.keypoint 속성으로 조회한다. - bounding box 결과는 Results.boxes 속성으로 조회한다. - ultralytics.engine.results.Keypoints - Keypoint 추론 결과 타입 class. - https://docs.ultralytics.com/reference/engine/results/#ultralytics.engine.results.Keypoints - Keypoints 속성 - xy: 각 keypoint 들의 좌표. (사람수, 1..
Python_Computer_vision_03(yolov8_segmentation) Segmentation - 모델명: yolov8?-seg (n, s, m, ...) Segmentation 추론결과 조회 segmentation 추론 결과는 Masks를 이용해 분할된 mask 정보와 Boxes를 이용해 추론한 bounding box의 결과를 조회한다. ultralytics.yolo.engine.results.Masks - Segmentation 의 결과 type - Results.masks 로 조회한다. - 주요 속성, 메소드 - xy : mask의 bounding 좌표(경계선 좌표)를 물체별로 list에 담아서 반환한다. - Object의 외곽선을 그리는 좌표들을 반환 - 개별 object 의 좌표들은 [point개수, x좌표-y좌표] shape의 ndarray로 구성된다. - xyn..
Python_Computer_vision_02(yolov8_customdataset_train 실습) ! google colab으로 실행 권장(GPU) - 드라이브 마운트 - yolo 설치 => 연결할 때마다 설치해야 함. # yolo 설치 => 연결할 때마다 설치해야 함. !pip install ultralytics 과일, 야채 image detection fruits = ['Apple', 'Banana', 'Beetroot', 'Bitter_Gourd', 'Bottle_Gourd', 'Cabbage', 'Capsicum', 'Carrot', 'Cauliflower', 'Cherry', 'Chilli', 'Coconut', 'Cucumber', 'EggPlant', 'Ginger', 'Grape', 'Green_Orange', 'Kiwi', 'Maize', 'Mango', 'Melon', 'Okra',..
Python_Computer_vision_01(yolov8_object_detection) 사전 작업(YOLOv8 설치) pytorch를 먼저 설치 pip install ultralytics 주피터노트북에서 실행할 경우 프로그래스바를 실행하기 위해서 다음을 설치한다. (필수는 아님) - pip install ipywidgets` or `conda install -y -c conda-forge ipywidgets !pip3 install torch torchvision torchaudio !pip install ultralytics 사용 CLI (command line interface)에서 터미널 명령어로 추론/평가/학습을 진행할 수 있다. Python lib 를 이용해 코드상에 원하는 추론/평가/학습을 진행할 수 있다. CLI 기본 명령어 구조 구문 - yolo task=detect|clas..
Python_Deeplearning_pytorch_12(DCGan_실습) DCGan - Convolutional Layer 를 이용한 GAN 이미지 생성 모델 논문: https://arxiv.org/pdf/1511.06434.pdf 파이 토치 튜토리얼: https://pytorch.org/tutorials/beginner/dcgan_faces_tutorial.html ! 사용하는 이미지 파일만 20만개에 달하니 되도록이면 google colab 사용 - 드라이브 마운트 하기 import import os import random import time import torch import torch.nn as nn from torch.utils.data import Dataset, DataLoader from torchvision import datasets, transforms..
Python_Deeplearning_pytorch_11(LSTM을 활용한 주가예측) 삼성전자 주가 데이터 다운로드 Yahoo Finance 에서 주가 데이터 다운로드 - 검색 키워드 '005930.KS' 입력 검색 후 Historical Data 선택 Start Date: 2000년 1월 4일 End Date: 오늘날짜 선택 Apply 클릭 후 다운로드 import import os import time import numpy as np import pandas as pd import matplotlib.pyplot as plt import torch import torch.nn as nn from torch.utils.data import TensorDataset, DataLoader import torchinfo from sklearn.preprocessing import MinMa..
Python_Deeplearning_pytorch_10(RNN, LSTM) Pytorch RNN Layer [nn.RNN] - 파라미터 - input_size: 입력 데이터의 features size(개수) - hidden_size: Layer의 Hidden size - num_layers: 몇층으로 Layer을 쌓을지 개수 - nonlinearity: 활성함수로 'tanh' (Default), 'relu' 둘 중 하나 지정. - batch_first: True - (batch, seqence len, ..) False - (sequence len, batch, ..). Default: False - dropout: Dropout rate 비율 - bidirectional: 양방향 적용 여부. Default: False RNN Layer의 input / output tensor..
Python_Deeplearning_pytorch_09-2(Transfer Learning과 Fine tuning) Transfer learning (전이학습) 사전에 학습된 신경망의 구조와 파라미터를 재사용해서 새로운 모델(우리가 만드는 모델)의 시작점으로 삼고 해결하려는 문제를 위해 다시 학습시킨다. 전이 학습을 통해 다음을 해결할 수 있다. 1. 데이터 부족문제 - 딥러닝은 대용량의 학습데이터가 필요하다. - 충분한 데이터를 수집하는 것은 항상 어렵다. 2. 과다한 계산량 - 신경망 학습에는 엄청난 양의 계산 자원이 필요하다. 미리 학습된(pre-trained) Model을 이용하여 모델을 구성한 뒤 현재 하려는 예측 문제를 해결한다. 보통 Pretrained Model에서 Feature Extraction 부분을 사용한다. - Computer Vision 문제의 경우 Bottom 쪽의 Convolution La..

티스토리툴바