전체 글249 하이퍼파라미터 자동 최적화 인공지능 모델을 학습시킬 때 사용되는 하이퍼파라미터는 종류도 다양하고 값의 범위도 넓다.batch size, gamma, learning rate 등등.. 이런 값들을 잘 설정해야 학습의 효율도 좋아지고 모델의 정확도도 올라간다.어떤 값이 가장 적절한 값인지 일일히 다 해보기에는 너무 비효율적이고, 이를 자동으로 찾아주는 대표적인라이브러리 optuna가 있다. 하이퍼파라미터 최적화 기법에는 그리드 서치, 랜덤 서치, 유전 알고리즘, 베이지안 최적화 등등의 방법이 있는데가장 효율적이고 성능이 좋아서 해커톤이나 실제 환경에서 많이 쓰는 기법은 베이지안 최적화이다.간단하게 설명하자면 특정 값들의 조합으로 학습을 시켜보고 그 결과를 기반으로 확률 함수를 계산해 더 학습이 잘 될확률이 높은 파라미터 조합으로 바꿔.. 2026. 9. 29. 트랜스포머 기반 이미지 처리 모델 - ViT, Swin 1. ViTViT모델은 CNN 레이어 없이 이미지 분야에 거의 그대로 적용하여 비전 분야의 패러다임을 바꾼 원조 백본 모델이다.ViT의 핵심 아이디어는 "이미지 패치를 자연어 문장의 단어(Token)처럼 취급한다"는 점이다.Patch Extraction & Flattening입력 이미지(224 * 224)를 패치(16 * 16) 단위로 등분16 * 16 패치 하나는 16 * 16 * 3 = 768 차원의 1차원 벡터로 Flatten, 총 14 * 14 = 196개의 패치 생성Linear Projection & Patch Embedding1차원으로 펼친 패치 벡터들을 선형 레이어(Linear Projection)에 통과시켜 D차원의 텐서로 임베딩[CLS] Token & Position Embedding[C.. 2026. 9. 25. 이미지 처리 모델의 발전 - MobileNet, EfficientNet 1. MoblieNet모바일 환경에서도 돌아갈 수 있을 정도로 경량화된 CNN 신경망 모델이다.MobileNetV1 - Convolution 연산을 공간(Spatial) 정보 연산과 채널(Channel) 정보 연산 2단계로 분리한 Depthwise Separable Convolution이 핵심 아이디어이다. Depthwise Convolution: 입력 채널 각각마다 3*3 커널을 1개씩만 적용하여 공간적(Spatial) 특징을 추출 Pointwise Convolution: 1*1 커널을 사용해 채널 간의 정보를 융합(Mix)하고 출력 채널 수를 조정 MobileNetV2 - MBConv 블록 도입기존 ResNet의 Bottleneck 블록은 [채널 축소 -> Conv -> 채널 확장] 순서로 수행되는 .. 2026. 9. 25. 이미지처리 모델 - VGGNet, ResNet, ResNeXt 1. VGGNetVGGNet 모델은 3*3 크기의 커널을 중첩 사용한 모델이다.3*3 커널을 사용해 레이어 수를 늘려 깊이가 더 깊은 모델을 만든 것인데 이게 좋은 이유는 3*3 커널을 2번 통과하나 5*5 커널을1번 통과하나 필드 크기는 같지만 연산해야 할 가중치 자체가 3*3 커널 2개가 훨씬 적기 때문이다.이렇게 연산량에서 이점을 가지며 레이어 깊이에 따라 VGG16, VGG19 모델이 있다.VGG16은 Conv Layer 13개 + Fully-Connected Layer 3개이고 VGG19는 Conv Layer 층을 3개 더 추가한 모델이다. VGGNet은 3*3 커널로 연산량을 줄였음에도 깊이 자체가 깊기 때문에 파라미터가 매우 많은 무거운 모델이고파라미터의 80%가 마지막 FC 레이어 3층에 .. 2026. 9. 25. 최신 객체 탐지 모델들(Yolo, RT-DETR, DINO, Grounding DINO) 1. Yolov1부터 v13까지 계속해서 버전이 업데이트 되고 있고, 최신 객체 탐지 모델의 대표주자이다.빠른 학습과 연산을 통해 실시간성을 유지하려고 하면서도 정확도를 올려나가고 있다.코드 구현과 라이브러리 사용도 매우 간단해서 초기 베이스라인 모델을 잡을 때 사용하기 적합한 모델이다.from ultralytics import YOLO# 1. 모델 로드 (nano 버전)model_v8 = YOLO('yolov8n.pt')# 2. 샘플 데이터로 학습 (데이터 다운로드 없이 coco8 사용)# coco8은 80개 클래스의 매우 작은 샘플 데이터셋입니다.model_v8.train(data='coco8.yaml', epochs=3, imgsz=640)# 3. 추론 (인터넷 이미지 URL 사용)results =.. 2026. 4. 6. 초기 객체 탐지 모델(Faster R-CNN) 초창기 객체 탐지 모델인 R-CNN, SPP-net, Fast R-CNN, Faster R-CNN에 대해서 알아볼 것이다. 1. R-CNN은 대표적인 영역 추정 기법인 선택적 탐색을 이용하고, 딥러닝 모델인 CNN과 결합한 객체 탐지 알고리즘이다.이미지에서 선택점 탐색을 통해 객체가 있을 만한 후보 영역을 뽑아낸다. 이 영역을 CNN에 전달해 훈련하고, SVM으로 분류한다.R-CNN은 학습 절차가 복잡하고, 객체 탐지 시간이 너무 오래 걸린다는 치명적인 단점이 있다. 2. SPP-net은 CNN의 합성곱 연산 수를 줄여서 R-CNN을 개선한 모델이다.후보 영역을 추정하고 각 영역들을 모두 CNN으로 전달하는 방식이 아니라, 원본 이미지를 CNN에 한번 전달하고,후보 영역을 원본 이미지 위에 표시하는 방식.. 2026. 4. 6. 이전 1 2 3 4 ··· 42 다음