전체 글247 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. Boosting 계열 모델의 응용 (XGBoost, LightGBM, CatBoost) Gradient Boosting 모델을 응용시킨 3가지 모델에 대해서 알아볼 것이다.각 모델의 장단점, 언제 사용해야 하는지, 실제 코드 적용과 파라미터 튜닝 시 어떻게 해야 하는지를 정리할 것이다. 1. XGBoost과적합을 막기 위해 규제 항을 넣고, 가지치기를 진행하는 모델이다.자세한 원리는 복잡하지만 XGBoost를 코드로 구현하고 파라미터 튜닝을 해서 학습을 시키는 방법에 대해서만 알아볼 것이다. 이렇게 많은 파라미터들이 있지만 중요한 파라미터들만 정리해보겠다. 1. n_estimators트리의 개수이다. 100~1000개 정도로 설정한다.n_estimators를 넉넉하게 설정하고 early_stopping_rounds를 50 정도로 설정하면 더 학습이 나아지지 않을 때 멈춘다. 2. eta(l.. 2026. 4. 1. 기본적인 Boosting 계열의 모델(AdaBoost, GradientBoost) 앙상블 학습은 여러 개의 Decision Tree를 결합해 하나의 트리보다 더 좋은 성능을 내는 머신러닝 기법이다.학습법에는 Bagging, Boosting 이렇게 두가지가 있다. 1. Bagging우선 데이터로부터 부트스트랩을 한 데이터로 모델을 학습시킨다. (복원 랜덤 샘플링)카테고리형 데이터는 투표 방식으로 결과를 결정하고, 연속형 데이터는 평균으로 결과를 결정한다.배깅을 활용한 모델이 랜덤포레스트이다. 2. Boosting부스팅은 가중치를 활용해 여러 Decision Tree가 서로 영향을 미칠 수 있게 한다.처음 모델이 예측을 하면 잘못 예측된 데이터에는 가중치를 크게, 맞게 예측한 데이터에는 가중치를 작게 한다.이를 통해 잘못 예측된 데이터는 다음 트리에서 더 집중해 분류할 수 있게 만든다. .. 2026. 4. 1. 이전 1 2 3 4 ··· 42 다음