AI시작 (22) 썸네일형 리스트형 사물인식을 원한다면 YOLO 는 기본 YOLO는 실시간 Object Detection 네트워크입니다. You only look once (YOLO) !!!! YOLO v3 의 경우 Pascal Titan X 환경에서라면 무려 30 FPS 도 나오는데 mAP 가 COCO 데이터셋에서 57.9% 씩이나 나온다 !!! 라고 YOLO 를 개발한 다크넷 개발자께서말하셨답니다. 폭풍 간지가 흐르는 다크넷 웹사이트에 방문해보세요. https://pjreddie.com/darknet/yolo/ (그 폭풍간지 다크넷 개발자님의 이름은 의외로 얌전한 이름 Joseph Redmon 이시라고 합니다.) 다른 사물인지 네트워크랑 비교 자료를 보면 이 다크넷 개발자님이 얼마나 자신이 넘치는지 알수 있습니다. 비교 테이블이 참으로 상세합니다. 옛날 옛적 object .. 6-3 Global Average Pooling 최근 CNN 계열에서 classifier 로서 GAP (Global Average Pooling)를 사용하는 추세입니다. conv layer에서 많이 사용하는 pooling으로는 max pooling이 있습니다. feature의 일부 영역에서 가장 큰 값을 선택하여 (max pooling) 하나의 숫자로 만들고, 전체 영역에 대한 2차원 숫자 배열을 만듭니다. 또는, feature의 일부 영역에서 평균값을 선택하여 (average pooling) 하나의 숫자로 만들고, 전체 영역에 대한 2차원 숫자 배열을 만듭니다. GAP 는 기존에 일반적으로 사용하던 구조인 CNN + FC (Fully Connected layer)에서 분류기인 FC를 없애기 위한 방법으로 도입하였습니다. 뒤로 갈 수록 추상화되고 함축.. 6-6 Non Maximum Suppression Object Detection 모델을 이용하여 객체를 찾아내고나면 동일한 타겟에 대한 결과가 다수 겹쳐서 나오게 됩니다. 이를 해결하기 위해서 non-maximum suppression (NMS) 알고리즘을 사용해야 합니다. NMS를 간단히 설명하면 먼저 IoU값으로 proposals을 모두 정렬시켜놓은뒤, RoI점수가 가장 높은 proposal과 다른 proposals에 대해서 overlapping을 비교한뒤 overlapping이 높은 것은 특정 threshold이상이면 지워버리며 이 과정을 iterate돌면서 삭제시킵니다. 직관적으로 설명하면 경계 상자가 물체일 확률을 기준으로 비교하며, 비교 대상이 주변 픽셀이 아니라 자신과 겹친 영역이 일정 값 이상인 경계 상자가 됩니다. . 객체 검출에서는 중.. 6-5 인식모델 평가지표(IOU 등) IOU Jaccard index 라고도하는 IoU (Intersection over Union) metric은 기본적으로 target 과 prediction 간의 percent overlap 을 정량화하는 방법입니다. IoU 메트릭은 target 과 prediction 사이의 공통 픽셀 수를 총 픽셀 수로 나눈 값을 측정합니다. 논문의 리포트에 자주 나오는 정확도 n_cl : the number of classes t_i : the total number of pixels in class i n_ij : the number of pixels of class i predicted to belong to class j. So for class i: n_ii : the number of correctly cl.. 6-4 Precision and recall 패턴 인식, 정보 검색 및 이진 분류에서 precision (positive predictive value 이라고도 함) 은 검색된 인스턴스 중 관련 인스턴스의 비율이며, recall (sensitivity, 감도라고도 함)은 전체에서 검색된 관련 인스턴스의 비율입니다. 사진에서 개를 인식하기위한 컴퓨터 프로그램이 12 마리의 개와 일부 고양이를 포함하는 그림에서 8 마리의 개를 식별한다고 가정하십시오. 개로 식별 된 8 개 중 5 개는 실제로 개 (true positives)이고 나머지는 고양이 (false positives)입니다. 프로그램의 precision 는 5/8이고 recall 은 5/12입니다. 검색 엔진이 30 페이지를 리턴했는데 그 중 20개는 관련이 있지만 40개의 관련 페이지 반환은.. 6-1 Faster RCNN, YOLO, SSD 심플 차이점 Faster RCNN 특징 : Fast RCNN (CNN 후 분류와 BBox 좌표 regression) + RPN (Resion Proposal Network) 가장 큰 장점 : 정확하다. 겹쳐지거나 작은 사물에 대한 인식률이 높다. 간과할 수 없는 단점 : 느리다. 애초에 실시간을 생각하고 만든 네트워크는 아니었다. YOLO (You Only Look Once) 특징 : 최초의 Real Time Object Detection Joseph Redmon 의 darknet 사이트를 보자 : https://pjreddie.com/darknet/yolo/?utm_source=next.36kr.com 장점 : 빠르다. 사용이 쉽다. v3 의 경우 비교적 정확하다. cuDNN 사용의 결정판. 단점 : 겹쳐진 사물의.. 4-1 고급 Optimization Gradient Decent 네트워크의 parameter들을 θ라고 했을 때, 네트워크에서 내놓는 결과값과 실제 결과값 사이의 차이를 정의하는 함수 Loss function J(θ)의 값을 최소화하기 위해 기울기(gradient) ∇θJ(θ)를 이용하는 방법이다. Gradient Descent에서는 θ 에 대해 gradient의 반대 방향으로 일정 크기만큼 이동해내는 것을 반복하여 Loss function J(θ) 의 값을 최소화하는 θ 의 값을 찾는다. 한 iteration에서의 변화 식은 다음과 같다. 네트워크의 parameter들: θ Loss function : J(θ) gradient : ∇θJ(θ) 이 때 Loss Function을 계산할 때 전체 train set을 사용하는 것을 Batch .. 2-2 Loss Function 일단 Lost 함수, Cost 함수, 손실 함수는 모두 같은 말입니다. 목적은 무조건 모델의 불만족을 수치화하는 것인데, 다시 말하면 내 모델에서 계산한 결과와 실제 결과의 차이를 나타내는 것입니다. 조금 구체적으로 말해보겠습니다. 데이터가 다음과 같고 추정치가 다음과 같을 때 이 때 데이터와 추정치의 괴리도를 나타내는 스칼라 함수를 손실 함수라 한다. 손실 함수는 학습을 통해 얻은 데이터의 추정치가 실제 데이터와 얼마나 차이나는지 평가하는 지표로 쓰인다. 이 값이 크면 클수록 많이 틀렸다는 의미고, 이 값이 0 이라는 것은 '무손실' 즉 완벽하게 추정할 수 있다는 의미가 된다. L 은 때때로 비용 함수 Cost Function라고 불리기도 한다. MSE(Mean of Squared Error) def .. 이전 1 2 3 다음
