개발자로 후회없는 삶 살기

서론 MMdetection을 이용해서 convnext 백본 cascade rcnn 모델 학습 파이프라인을 제작하는 과정을 공유합니다. 본론 - mmdetection/configs에 config 파일 만들기 python tools/train.py \ ${CONFIG_FILE} \ [optional arguments] 학습을 할 때 config 파일을 인자로 주기 때문에 config 파일을 커스터마이징하면 원하는 동작을 수행할 수 있습니다. faster_rcnn r50의 config 파일입니다. faster_rcnn은 위 4개의 파일로 학습을 진행하며 각 파일을 수정하면 됩니다. 주의사항 🚨 faster_rcnn r101 같은 경우는 r50의 config를 베이스로 재정의할 수 있습니다. 재정의를 할 경우 ..

서론프로젝트 기획 단계에서 서비스에 사용할 모델, 보다 나은 성능을 위한 후처리 등 기술 리서치와 타당성 분석, 비슷한 기존 서비스 등을 조사하고 토의하는 과정을 기록합니다. 본론- 디자인 컨셉 짜기팀원 모두 대체적으로 깔끔하고 사용자가 이용하기 깔끔한 디자인을 원하고 있으며 저의 컨셉은 아래와 같습니다. 1. 홈페이지계절마다 분위기를 다르게 하면 좋을 것 같다는 생각을 하였습니다. 2. 메인 페이지훤히 보이는 뷰에 깔끔한 디자인을 생각하였고 팀원 모두 저와 동일한 생각을 가지고 있었습니다. 3. 결과물 페이지우측 이미지처럼 인테리어 후 전체 이미지를 보여주는 것은 반드시 있어야 합니다. 추가로 저는 좌측 이미지처럼 수정한 부분만 클릭해서 확대해서 볼 수 있다면 사용자의 편리함을 더해줄 수 있을 것 같다..

서론 객체 탐지 레벨 2 미션에서 배운 것을 기록합니다. 이번주는 EDA와 데이터 클리닝에 집중했습니다. 본론 - 객체 탐지의 데이터 클리닝 레벨 1 미션에서 크게 느낀 것은 데이터 클리닝의 중요성입니다. 라벨링 오류 수정 배경 제거 위 항목 등이 이미지 분류 문제에서 하면 좋은 클리닝 기법들이었습니다. 🚨 객체 탐지에서 좋은 데이터란? 정확한 Localization 라벨링 규칙의 일관성 분류 문제에서 좋은 데이터는 명확했습니다. 정답이면 T, 거짓이면 F로 제대로 라벨링 되어 있으면 되는 것이었습니다. 하지만, 탐지 영역에서 좋은 데이터가 무엇일까 모르겠던 찰나, 팀원들과 토의를 통해 위처럼 정의할 수 있었습니다. ✅ 객체 탐지에서 데이터 클리닝 팀 전원이 데이터를 열어서 데이터에 대한 의견을 제시하고..

서론 레벨 1이 끝나고 레벨 2를 맞이해야 할 단계입니다. 이 과정에서 느끼고 배운 점을 기술합니다. 본론 - 복잡한 MLOps MLOps는 생각보다 훨씬 할 게 많은 것 같습니다. 위 그림은 데이터 분야에 들어온 순간부터 수도 없이 많이 봐온 AI 서비스 구축에 대한 것인데 큼직큼직한 제목 뒤에 고려해야 할 점들이 복잡하게 얽혀 있습니다. 예상 트래픽 서버의 GPU, CPU 메모리 성능 인프라 규모 서빙 방식 실험 관리 학습, 서빙 시점의 데이터 검증 학습 자동화 모니터링 위 예시들은 모두 MLOps를 구축할 때 반드시 필요한 것들이며 각 항목에서도 회사의 상황, 서비스의 규모, 사용 대상에 따라 달라질 수 있습니다. ✅ 변성윤 멘토님 : 라이브러리를 익히는 것보다 방법론에 초점을 둬라 위 말씀이 혼란..

서론하기 내용은 변경될 수 있습니다. 카테고리회원관리자가구공간 기능 설계회원회원가입 기능회원은 이메일, 비밀번호, ID로 회원가입을 할 수 있다.회원의 비밀번호는 암호화되어 저장된다.(미정) 회원은 소셜 로그인을 할 수 있다.검증 기능이메일 형식이 아니면 예외가 발생한다.이미 존재하는 이메일이면 예외가 발생한다.정책에 맞는 비밀번호 형식이 아니면 예외가 발생한다.이미 존재하는 ID면 예외가 발생한다.로그인 기능회원은 이메일과 비밀번호로 로그인할 수 있다.(미정) 회원은 이메일이나 비밀번호를 잃어버리면 다시 찾을 수 있다.검증 기능이메일 형식이 아니면 예외가 발생한다.이메일이 일치하지 않으면 예외가 발생한다.정책에 맞는 비밀번호 형식이 아니면 예외가 발생한다비밀번호가 일치하지 않으면 예외가 발생한다.마이페..

서론프로젝트 주제와 방향성을 잡고 발전시켜, 서비스 방향을 확장할 수 있는 기획 단계를 진행합니다. 본론- 프로젝트 주제인테리어 도우미 어플리케이션으로 방 구조를 사진으로 찍어 입력하여 3D로 재구성하고 사용자의 가구 사진을 입력하여 3D로 재구성 한 후 사용자 마음대로 인테리어를 배치하고 시뮬레이션 해볼 수 있는 맞춤형 인테리어 서비스를 주제로 잡았습니다. 가구점에서 맘에 드는 가구가 있을 때 바로 자신의 방에 넣어 볼 수 있는 맞춤형 서비스입니다. 1주차에서는 정한 주제를 토대로 기획안을 작성해보고 기술 한계를 지속적으로 조사하는 것으로 결정했습니다. - 기획단계=> 기술 리서치1. Udacity Interactive 3D Graphicshttps://www.udacity.com/enrollment/..

서론레벨 1 프로젝트 기간 동안 느낀점을 회고합니다. 본론- 프로젝트 마무리와 함께 정리 시작23.12.21 레벨 1프로젝트를 마무리하고 최종 순위가 발표되었습니다. 수고했기도 하고 아쉽기도한 상태에서 그 동안 달려가느라 정리하지 못했던 항목들을 정리해야겠다는 생각을 하였습니다. 대부분 협업, 느낀점 관련한 것들로 다음과 같습니다. 1. 발생한 이슈 정리2. gpu 풀, 클라이언트-서버 형식의 GPU 서버 활용 개선 방안3. 랩업 리포트4. 완디비 팀 프로젝트 개선 방안5. 레벨 1 ML 프로젝트 진행 방식에 대한 고찰6. 프로젝트 릴리즈7. 코드 리팩토링8. 느낀점 정리생각보다 많은 분량에 줄일까도 고민했지만, 그만큼 알차고 배운게 많은 프로젝트라고 되새기며 팀원들과 고민거리들을 공유하였습니다. 특히 ..

서론albumentation를 사용해야하는 이유와 다양한 활용 방법을 알아봅니다. 본론- albumentation 장점albumentation 토치 비전보다 빠르고 종류도 많고 탐지나 세그먼트 데이터에도 증강을 적용할 수 있습니다. def _transforms(self): return A.Compose([ A.RandomResizedCrop(height=150, width=300, scale=(0.3, 1.0)), A.Resize(100, 100), ToTensorV2() ])또한 사용 방법도 토치 비전과 동일해서 기존 코드에 바로 적용할 수 있습니다. A.Compose로 토치 비전과 동일하게 증강을 적용하기 위한 객체를 생성합니다. image = Imag..