yusukaid's IT note

IOU? Intersection Over Union? Intersection Over Union은 object detection에서 성능 평가를 위해 사용되는 도구다. 정답 영역 및 예측 영역은 대부분 직사각형으로 설정한다. 정의는 아래 사진과 같다. 위 사진과 같이 정답 영역과 예측 영역이 직사각형의 형태로 존재하는데, 이 두 영역이 겹치는 부분이 많을수록 정확도가 올라가고 IOU의 값은 크다고 본다. 즉, IOU의 값이 클수록 "오브젝트 검출이 잘 되고 있다"라고 보는 것이다. IOU의 값 IOU의 최대값은 정답 영역과 예측 영역이 완전히 겹치는 정도이며, 값은 1이다. 반대로 정답 영역과 예측 영역이 완전히 겹치지 않는 정도가 최소값이며, 이 값은 0이다. IOU의 계산 방법 IOU를 계산하기 위해..

구현할 논문: https://arxiv.org/pdf/1506.02640v1.pdf loss.py 목표: YOLO v1의 loss function 구현 기본 로직: 사람이 예측한 bounding box와 YOLO 모델이 예측한 bounding box간의 차이를 계산 오차를 최소화하기 위해 루트 적용 grid cell별로 IOU 계산을 했을 때, 신뢰도가 높은 bounding box의 차이를 coordinate에 적용 필요한 module import import tensorflow as tf import numpy as np from utils import iou iou: 두 개의 bounding box의 iou 함수를 utils 에서 불러옴 각 인자 설명 ''' Args: predict: 3 - D te..

논문: https://arxiv.org/pdf/1506.02640.pdf Abstract 우리는 기존의 Object Detection과 다른 YOLO라는 모델을 제안합니다. 전체 이미지에 대해서 bounding boxes 와 class probabilities를 한번에 작업합니다. 중간에 추가 개입이 필요 없는 end-to-end 로직이 사용됩니다. 초당 45frame의 속도를 가지고 있으며, real-time에 굉장히 가깝습니다. 성능이 조금 떨어져도 초당 155frame까지 속도를 올릴 수 있습니다. YOLO는 state-of-the-art 모델과 비교했을 때 localization의 에러가 거의 없습니다. DPM과 R-CNN과 비교했을 때 자연 이미지와 artwork에서도 더욱 범용적인 면을 보입니..

구현할 논문: https://arxiv.org/pdf/1506.02640v1.pdf 프로젝트 파일 구조 train.py: 모델 class를 인스턴스로 선언하고 For-loop를 돌면서 gradient descent를 수행하면서 파라미터를 업데이트하는 로직 test.py/evaluate.py: training된 파라미터를 불러와서 evaluation이나 test/inference를 진행하는 로직 model.py: Keras Subclassing 형태의 모델 구조 class 정의 dataset.py: 데이터 전처리 및 batch 단위로 묶는 로직 utils.py: 딥러닝 메인 로직 외에 유틸리티성 기능들을 모아 놓은 로직 loss.py: 모델의 Loss Function을 정의

카메라에 비춰진 사물의 영역을 표시하고 인식된 사물이 무엇인가에 대해 알려주는 모델이 바로 YOLO이며, You Only Look Once의 약자이다. 현재 YOLO 모델은 버전이 5까지 나와있지만, 학술적으로는 4까지만 인정이 된다고 한다.. [Object Detection] 객체 검출은 영상처리 분야에서 기본적으로 많이 쓰이는 분야이다. 얼굴 인식, 음성 인식 같은 분야에서 자주 보인다. 개념적으로는 여러 사물을 '어떤 것이다'라고 분류하는 (Multi-Labeled) Classification과 그 사물이 어디 있는지 박스를 통해 위치 정보를 나타내는 localization 문제를 해결하는 부분이다. 원래는 CNN을 통해 위와 같은 문제를 해결할 수 있으나, 하나의 물체를 분류하고 다시 전체 이미지..

보호되어 있는 글입니다.