Kaggle 데이터셋colab link YOLO v3 ship_detection 실습coco json에 bbox를 읽어서 detection YOLO v3 데이터 준비Yolo v3 준비!git clone https://github.com/ultralytics/yolov3%cd yolov3!pip install -r requirements.txt 데이터 준비# 위치를 /content로 이동%cd ..# ship Object Detection 데이터셋 다운!gdown https://drive.google.com/uc?id=1LwLwl-T4ShmcDLIDbnAch4OZMqfmk_67# 압축 풀기!unzip -qq "/content/ship_rle_coco.zip"train : test 데이터 확인train_di..

Kaggle 데이터셋colab link Car detection 데이터 확인이미지에 대한 xmin, ymin, xmax, ymax 로 이루어진 데이터셋cv2 rectangle 을 통해서 시각화 했을때 labeling이 잘된 모습을 확인할수 있음 format 변환현재 데이터는 xmin, ymin, xmax, ymax로 이루어진 데이터사용할 모델인 Yolov3 format은 x_center, y_center, w, h 와 같은 정보가 필요함으로 데이터 가공 수행img_h, img_w, num_channels = h, w, c # h, w, c 는 위에서 얻은 이미지 크기# x_center 생성data_df['x_center'] = (data_df['xmin'] + data_df['xmax'])/2data_d..

colab link 데이터는 roboflow 사용방법1, 방법2 두가지로 구현최종결과 확인 및 정리사용할 데이터셋 : 마스크 데이터셋 작업위치 설정import osos.mkdir('fast_rcnn')os.chdir('fast_rcnn') mmdetection 설치 (colab 기본 pytorch 버전과 맞춘것)!pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.11.0/index.html!git clone https://github.com/open-mmlab/mmdetection.git%cd mmdetection!pip install -r requirements/build.txt!pip install -v -e..

1. mmdetection configmmdetection 모델, 데이터 변경없이 사용하려면 --> mmdetection 설명 & 설치과정 참조mmdetection 튜토리얼을 살펴보면 mmdetection 구조는 크게 dataset, model, schedule, default_runtime 4개로 구분이 가능다양한 모델 예를 들어 Faster R-CNN, Mask R-CNN, Cascade R-CNN, RPN, SSD 등의 기본이 되는 구성은 base에 작성되어있음실제로 mmdetection의 configs 안에는 다양한 모델 및 backbone 부분의 폴더가 존재configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py의 내용을 확인해 보면위에서 설명한 4개의 data..

1. mmdetection?Pytorch 기반으로 하는 오픈소스 object-detection 다양한 object-detection 모델을 빠르게 수행 및 검증 가능쉬운 사용법 및 data augmentation 지원매우 많은 모델 등등..기본적으로 object detection을 공부하면서 모델을 하나씩 구현하는 것은 매우 시간이 많이 걸리는 일이었습니다.. mmdetection을 사용하면 보다 편리하게 다양한 논문에서 소개한 모델을 사용할수 있다는 장점이 있습니다.2. 설치개인적으로 설치가 힘들었던 패키지 중에 하나설치는 기본적으로 [자동설치, 수동설치] 두가지가 존재자동설치pip install -U openmimmim install mmcv-fullpip install mmdet==2.22.0자동설..

데이터는 roboflow 사용최종결과 확인 및 정리사용할 데이터셋 세포 데이터셋 Yolo v3 가져오기!git clone https://github.com/ultralytics/yolov3 # clone%cd yolov3%pip install -qr requirements.txt # installimport torchfrom yolov3 import utilsdisplay = utils.notebook_init() # checks>> YOLOv3 🚀 v9.6.0-21-g92c3bd7 torch 1.12.0+cu113 CUDA:0 (Tesla P100-PCIE-16GB, 16281MiB) Setup complete ✅yolo v3 종속성 패키지 설치%pip install -qr requirement..

참고 : Fiftyonecolab link Fiftyone ?fiftyone은 고품질 데이터 세트 및 컴퓨터 비전 모델을 구축하기 위한 오픈 소스 도구입니다.fiftyone은 데이터 세트를 시각화하고 모델을 더 빠르고 효과적으로 해석할 수 있도록 하여 기계 학습 워크플로를 강화하는 패키지입니다. fiftyone의 대표 기능데이터 세트 관리기능모델 평가 기능임베딩 시각화 기능다양한 시각화 기능 fiftyone 이미지 데이터에서의 기능fiftyone은 이미지 데이터뿐만 아니라 다양한 데이터에서도 호환성을 가지는 패키지입니다.특히 이미지 데이터를 사용했을 때 강점이 있는데 패키지입니다. 대표적인 이미지 관련 기능은이미지 고유값 계산Ground Truth와 예측한 bbox의 사이의 차이값 계산비슷한 이미지 계산..

발표 Youtube사용된 데이터셋colab link [AIF] 개인 데이터셋을 통한 llama2 fine-tuneAIF에서 발표한 내용을 다시 작성한 Post입니다, 해당 강의는 llama2를 사용한 fine-tune의 간편화에 목적을 두었습니다.강연에서는 Gradientai, SFTTrainer 을 예시로 사용했습니다.https://github.com/lxe/simple-llm-finetuner해당 github의 simple-llm-finetuner가 llama2 모델을 지원하지 않고, 추가 업데이트 없이 종료되어 해당 github의 코드를 사용하여 easy_finetuner를 만들었습니다. (https://github.com/choijhyeok/easy_finetuner?tab=readme-ov-fi..

발표 Youtubecolab link[AIF] 챗GPT 점메추 메뉴판, 예산입력하고 점심 메뉴 추천받자AIF에서 발표한 내용을 다시 작성한 Post입니다, 해당 강의는 PDF를 통해 RAG를 하는 과정을 버거킹 메뉴추천으로 설명하면 이해가 쉬울것이라 생각해서 강의를 기획하게 되었습니다.버거킹 메뉴판에서 Text 추출 > Text 정제 > Chunk 분할 > Chain설정 > Test 까지의 과정입니다.이해가 가지 않는 부분은 발표한 내용을 참조해 주시면 감사하겠습니다.필요한 패키지 설치버전이 달라졌을수 있습니다. 2023-06-07 강연시에는 정상 작동했습니다.!pip install langchain!pip install pypdf!pip install openai!pip install gdown!pip..