Study/class note (247) 썸네일형 리스트형 딥러닝 / 동영상 object ditection 문제210. 다른 영상으로 object detection을 진행하시오. 딥러닝 / GoogleLeNet(인셉션), ResNet50 + 사용자 인터페이스 다른 cnn모델은 한번에 한종류의 필터(5x5)만 사용. 그런데 구글에서 만든 인셉션은 1x1, 3x3, 5x5필터의 크기가 다른 세가지 필터를 병렬로 사용. 이렇게 되면 한가지 필터만 사용하는 것보다 물체의 특징을 잡아내기가 더 좋은 장점이 있다는 아이디어를 가지고 구현을 한 신경망. 사과 이미지의 경우 하나의 화면에 사과 한 개가 크게 다 차지한 경우도 있고 사과 여러개가 하나의 이미지에 있는 경우가 있는데 이럴 경우에 필터의 사이즈를 한가지로 하지 않고 다양하게 하게 되면 사과가 하나가 있든 여러개가 있든 사과 이미지의 특징을 필터 사이즈 한개보다는 더 잘 잡아내게 됩니다. ㅇVGG 이외에 다른 유명한 신경망 설계도 가져오는 방법 1. 구글에서 만든 인셉션 - p.272 from tensorflow.. 딥러닝 / VGG16 동결 ㅇ vgg16 신경망 동결 시킨것과 동결 시키지 않은것의 차이 (코랩에서 진행) 동결(freezing) 한다는 것운 훈련기간동안 가중치가 업데이드 되지 않도록 막는다는 뜻이다. # vgg16을 사용해서 학습 시키기 실험 # 필요한 패키지 임폴트 받기 from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPool2D, Dense, Flatten, BatchNormalization, Activation, Dropout from tensorflow.keras.optimizers import Adam from tensorflow.keras.applications import VGG16 # VGG16.. 딥러닝 / 사물 검출 4 사물검출(object detection) - p.278 사물 검출이란 다수의 사물이 존재하는 상황에서 사물의 위치와 클래스를 찾는 작업 위의 그림에서 후보영역을 찾아내는 기술이 누군가에 의해서 만들어졌고 우리는 그 원리를 이해하고 텐서플로우로 편하게 신경망을 만들듯이 가져다 쓰기만 하면 됨. 딥러닝 / LeNet, cifar10, VGG16 8장 딥러닝의 역사와 기술들 1 CNN LeNet - p.257 LeNet은 손글씨 숫자를 인식하는 신경망으로 1998년에 제안됨. CNN알고리즘의 시초 신경망 MNIST데이터를 만든 얀르쿤 교수에 의해 개발되었다. 현재는 28x28을 사용하는데 그 당시에는 32x32 사이즈로 신경망에 넣음. [이미지(32x32) -> conv -> maxpooling -> conv -> maxpooling -> fully connected1 -> fully connected2 -> fully connected3(출력층) -> output] ㅇcifar10 32x32픽셀의 60000개의 컬러 이미지로 구성되어 있고 10개의 클래스로 라벨링 되어 있음. 6만개 중 5만개가 훈련 데이터이고 1만개가 테스트 데이터. ㅇcif.. 딥러닝 / 개와 고양이 음성 분류 신경망 코드 1 개와 고양이 음성 분류 신경망 코드 설명 => 코드 진행은 구글 코랩에서 진행합니다. 1. 구글 드라이브를 마운트 합니다. from google.colab import drive drive.mount('/content/drive') 2. 구글 드라이브에 데이터 업로드 후 압축해제합니다. !unzip -qq /content/drive/MyDrive/ColabNotebooks/cats_dogs.zip -d /content/drive/MyDrive/ColabNotebooks/cats_dogs 3. 필요한 패키지를 로드하고 seed값을 설정합니다. import pandas as pd import numpy as np import glob #glob 모듈의 glob 함수는 사용자가 제시한 조건에 맞는 파일명을.. 딥러닝 / librosa 패키지 실습 및 음성데이터 설명 librosa 실습 pip install librosa import IPython.display as ipd # 음원 파일의 소리를 들을 수 있도록 오디오 플레이 화면을 디스플레이 train_path = 'c:\\deep\\' ipd.Audio(train_path + '002.wav') 소리확인 import librosa y, sr = librosa.load(train_path + '002.wav') print(y) #진폭값 print(sr) y값은 파형의 amplitude(진폭), 소리의 세기, 파동을 특정지을 수 있는 중요량, 최고점의 수직 높이, 골의 깊이 sr값은 sample rate 또는 샘플링 주파수. 아날로그 소리를 디지털 신호로 표현하기 위해서는 아날로그 소리를 잘게 쪼개는게 이 정보를 디.. 딥러닝 / 사자, 고양이 분류기 만들기 1. 구글 마운트 from google.colab import drive drive.mount('/content/drive') 2. 압축파일 해제 !unzip -qq /content/drive/MyDrive/animal/cat.zip -d /content/drive/MyDrive/animal/image_cat !unzip -qq /content/drive/MyDrive/animal/lion.zip -d /content/drive/MyDrive/animal/image_lion 3. 데이터 리사이즈, 넘버링 변환 # 데이터 분류 import cv2 from PIL import Image import numpy as np import matplotlib.pyplot as plt import os import .. 딥러닝 / 사과와 파인애플 분류 신경망 만들기 14 사과와 파인애플 분류 신경망 만들기 1. 자동화 코드를 이용해서 '파인애플' 사진을 웹스크롤링 하시오. 2. 불필요한 사진 제거 3. 사진을 구글에서 받은 사진과 빙에서 받은 사진을 하나로 통합하시오. 그 중 사진 50개씩 뽑아 테스트 데이터를 구성(1~50 파인애플, 51~100 사과) 나머지 사진은로 훈련데이터 구성(파인애플 300개, 사과 300개) import cv2 from PIL import Image import numpy as np import matplotlib.pyplot as plt path = 'c:\pineapple' file_list = os.listdir(path) random.shuffle(file_list) for i,k in enumerate(file_list,1):.. 딥러닝 / 신경망 활용 사용자 인터페이스 만들기 13 신경망 활용 사용자 인터페이스 만들기 https://data-flair.training/blogs/cats-dogs-classification-deep-learning-project-beginners/ import tkinter as tk # Gui 모듈 from tkinter import filedialog from tkinter import * #이미지 데이터 전처리하는 모듈과 텐서 플로우 케라스 load_model모듈을 불러옴 from PIL import ImageTk, Image import numpy from keras.models import load_model import cv2 # 모델을 불러옵니다. model = load_model('c:\\deep\\new_leaf_model2.h.. 이전 1 2 3 4 5 ··· 25 다음