Head vs breakz

Detectron2는 Facebook에서 개발한 객체 탐지 알고리즘을 구현하는 시스템이다. object detection과 segmentation을 다루는 프레임워크로 maskrcnn-benchmark을 통해 Detectron을 기반으로 재작성하였다. Pytorch를 사용하여 제공 Panoptic segmentation, densepose , Cascade R-CNN, rotated bounding boxes.. 등을 제공

몇개월 동안 인공지능에 대해 공부하면서 느끼는 것은 결국 머신러닝은 어떤 데이터를 어떤 모델로 학습 시킬 것인가? 이것에 대한 질문을 해결해야 한다. 1. 데이터 : 전처리 가장 기초이자 기본이 되는 부분이다. 어떤 데이터를 사용할지가 제일 중요한 부분이다. 데이터가 존재하지 않는다면, 직접 만들거나 수집을 해야한다. 이러한 데이터들은 학습 알고리즘이 최적의 성능을 내기에 적합한 경우가 드물기 떄문에 전처리 과정을 거쳐야 한다. 전처리 과정이란 ? 쉽게 말한다면 필요한 데이터로 가공하는 것으로 다양한 방법이 존재 한다. 사진을 사용 할 경우, 필요한 부분만 편집하거나, 배경을 삭제 하는 경우가 있을 수 있으며, 데이터 셋을 사용 할때에는 이상치를 없애거나, 표준화 하는 방법이 있다.이 외에도 필요한 특성..

Object detection은 물체를 찾는 것과 그 물체를 분류하는 문제 해결해야한다. two stage의 경우 Regional Proposal과 Classification이 순차적으로 이루지는 방법으로 one stage 보다 상대적으로 느리지만 좋은 성능을 보여준다. 하지만 연산량이 많다는 점은 계속 단점으로 남아있다. two stage 종류 R-CNN ResNet DenseNet VGGNet GoogLeNet one stage의 경우 Regional Proposal과 Classification이 동시에 이루지는 방법으로 two stage에 비해 빠른 속도를 보여준다. 하지만 정확도는 떨어진다. one stage 종류 YOLO Focal loss SSD

https://cocodataset.org/#home COCO - Common Objects in Context cocodataset.org Common object in context, 흔히 보이는 물체의 모음이다. 인공지능 학습에 사용하는 데이터 셋으로 150만 개의 instance와 80개 categories로 분류되어 있다. Object segmentation, Recognition에 많이 사용되고 있다. Coco는 2014년과 2017년 dataset으로 나눠서 제공하고 있다. 2017년도에 업데이트를 통해서 데이터를 추가하여 2014년과 따로 구분하였다. 2018에는 2017년 데이터를 완벽하게 사용하도록 업데이트 되었고, 2019, 2020에는 변한 부분이 없다.