- Today
- Total
목록분류 전체보기 (276)
hye-log
🎂 개별학습 [6] Annotation Guide 1. 가이드라인 1) 가이드라인 : 좋은 데이터를 확보하기 위한 과정을 정리해 놓은 문서 - 좋은 데이터 : 골고루 모여 있고, 일정하게 라벨링 된 데이터 - 일관성이 중요함! - 특이 케이스를 고려해야 함 - 동일 가이드라인에 대해 같은 해석이 가능하도록 명확하게 작성해야 함 2) 데이터셋 제작 파이프라인 - 서비스 요구사항 - 제작 목적 설정 : 목적, 모델의 in/out - 가이드라인 제작 : 어떤 이미지인지, 어떻게 라벨링할지 - raw image 수집 : 크롤링, 크라우드 소싱 등 - annotation(라벨링) - 모델링 - 성능 평가/분석 [8] Annotation 도구 소개 1. 데이터의 양과 질 1) Train-data - Data cle..
🎂 개별학습 [2] 데이터 제작의 중요성Ⅱ 1. Lifecycle of an AI Project 1) AI Research VS AI Production - AI Research : 수업/학교/연구 에서는 정해진 데이터셋, 평가 방식에서 더 좋은 모델을 찾음 - AI Production : 서비스 요구사항만 가지고 있음. 학습 데이터셋이나 테스트 방법은 정해지지 않을 수 있음 2) Production Process of AI Model - Data-Centric : 데이터를 수정하여 모델 성능 올리기 - Model-Centric : 데이터는 고정하고 모델 성능 올리기 - 첫 릴리즈 전까지는 데이터 50 : 모델 50 정도 - 유지 보수 시에는 데이터 80 : 모델 20 정도 2. Data 1) Data-..
🎂 개별학습 [1] 데이터 제작의 중요성Ⅰ 1. Software 1.0 vs Software 2.0 1) Software 1.0 - 문제 정의 - 큰 문제를 작은 문제들의 집합으로 분해 - 개별 문제별로 알고리즘 설계 - 솔루션을 합쳐 하나의 시스템으로 2) Visual Recognition Task - Human Detection에서 전신이 있는 경우, 신체 일부가 있는 경우 등으로 나누어서 문제를 해결한 뒤 솔루션을 합침 - Software 2.0의 등장으로 딥러닝의 비약적인 발전이 이루어짐 - Software 1.0 : 사람이 개입하여 특징을 추출 -> 머신러닝의 방법을 사용하여 판단함 - Software 2.0 : 사람이 개입하지 않고 특징을 추출하고 판단하는 방법을 스스로 하도록 함 3) Sof..
🍳 오늘의 회고 대회가 끝났으니 wrap-up report를 작성해야지.. 이번 대회는 3주라서 길다고 생각했는데 강의 듣고 어영부영 방황하다보니 3주가 금세 지나가버렸다.. 팀 레포트도 작성하고, 개인 레포트도 작성하고!! 오랜만에 스페셜 피어세션이 있어서 다른 캠퍼분들 만나서 detection 대회 어떻게 진행했는지 이야기 들었다. 다른 팀들은 같은 아이디어를 가지고 있어도 다른 방법을 사용해서 성능이 더 올라간 팀도 있었고, 성능이 더 떨어지는 팀도 있었다. 확실히 우리 팀하고만 이야기하는 것보다 다른 팀이랑도 이야기했을 때 새로운 발견을 얻을 수 있는 거 같아서 스페셜 피어세션이 중요하다고 생각한다 +_+ 마스터클래스 시간에는 1, 2위 한 팀들의 발표를 들었는데, 한 가지 생각이 바뀌었던 점이 ..
🍳 오늘의 회고 오늘은 12월! 올해는 끝나가고 부캠은 반이나 달려왔다. 오늘은 두 번째 대회인 Object Detection 대회가 마무리 되는 날이다! 약 24시간동안 돌린 모델 inference하고, confusion matrix도 뽑아보고, 제출도 해보았다. 확실히 모델이 큼 + 이미지 사이즈를 크게 train/inference 하니까 성능도 잘 나온ㄷㅏ.. 마지막 제출일인만큼 앙상블도 여러 csv 파일 이용해서 제출해보았다. 앙상블.. 그는 신이야.. 모델 골고루 + 성능 높았던 결과 토대로 앙상블 하니까 마지막에 성능이 엄청 향상되었다. 내일은 3주 동안 진행한 대회 랩업 리포트 쓰고, 깃헙 정리할 듯! 이번 대회로 얻은 건 무엇인지, 무엇을 배웠는지, 무엇이 아쉬웠는지 정리해봐야겠다!!!👍