yusukaid's IT note

이전 글: https://it-the-hunter.tistory.com/36 TensorFlow를 이용한 YOLO v1 논문 구현 #7 - train.py 이전 글: https://it-the-hunter.tistory.com/34 TensorFlow를 이용한 YOLO v1 논문 구현 #6 - model.py 이전 글: https://it-the-hunter.tistory.com/33 TensorFlow를 이용한 YOLO v1 논문 구현 #5 - utils.py 이.. it-the-hunter.tistory.com evaluate.py 목표: 학습된 파라미터를 불러와 evaluation을 진행 필요한 모듈, 라이브러리 import import tensorflow as tf import tensorflow..

이전 글: https://it-the-hunter.tistory.com/34 TensorFlow를 이용한 YOLO v1 논문 구현 #6 - model.py 이전 글: https://it-the-hunter.tistory.com/33 TensorFlow를 이용한 YOLO v1 논문 구현 #5 - utils.py 이전 글: https://it-the-hunter.tistory.com/32 TensorFlow를 이용한 YOLO v1 논문 구현 #4 - datasets.py.. it-the-hunter.tistory.com train.py 목표: 모델 class를 인스턴스로 선언해 for 루프를 돌면서, gradient descet를 수행하며 파라미터를 업데이트 필요한 모듈, 라이브러리 import import..

이전 글: https://it-the-hunter.tistory.com/33 TensorFlow를 이용한 YOLO v1 논문 구현 #5 - utils.py 이전 글: https://it-the-hunter.tistory.com/32 TensorFlow를 이용한 YOLO v1 논문 구현 #4 - datasets.py 이전 글: https://it-the-hunter.tistory.com/28 TensorFlow를 이용한 YOLO v1 논문 구현 #3 - loss.py.. it-the-hunter.tistory.com model.py 목표: keras subclassing 형태의 모델 구조 class 정의 필요한 모듈 import import tensorflow as tf 상세 코드 class YOLOv1(..

이전 글: https://it-the-hunter.tistory.com/32 TensorFlow를 이용한 YOLO v1 논문 구현 #4 - datasets.py 이전 글: https://it-the-hunter.tistory.com/28 TensorFlow를 이용한 YOLO v1 논문 구현 #3 - loss.py 구현할 논문: https://arxiv.org/pdf/1506.02640v1.pdf loss.py 목표: YOLO v1의 loss function 구현 기본.. it-the-hunter.tistory.com utils.py 목표: 딥러닝 메인 로직 외에 유틸리티성 기능들을 조직 필요한 모듈 import import cv2 import numpy as np import tensorflow as t..

이전 글: https://it-the-hunter.tistory.com/28 TensorFlow를 이용한 YOLO v1 논문 구현 #3 - loss.py 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 최소화.. it-the-hunter.tistory.com datasets.py 목표: 데이터 전처리 및 batch 단위로 묶는 로직 필요한 모듈 import import tensorflow as tf import numpy as np 상세 코드 #train.py에서 처리하는 데이터를 ..

You Only Look Once 기본 컨셉: 이미지를 S x S grid cell로 나누고, grid cell별로 B개의 bounding box를 예측 최종 output: S x S x (5 * B + C) (5 : x, y, w, h, confidence) (x, y, w, h, confidence) 각 인자들의 범위는 전부 0~1 x: grid cell내의 x의 위치 y: grid cell내의 y의 위치 w: 전체 이미지 대비의 width y: 전체 이미지 대비의 height confidence: 이미지 내에 오브젝트가 있다고 확신하는 정도 Non-Maximum Suppression (NMS) confidence =0.5라면, confidence가 작은 bounding box를 제거 제거되지 않은 ..