기분좋은 AI 세상을 함께 합니다.

Ubuntu MySQL 저장 경로 변경하기 Ubuntu 16.04 Desktop 버전에서 MySQL 저장 경로를 변경하는 방법입니다. MySQL을 설치하면 기본적으로 /var/lib/mysql에 저장 경로가 설정됩니다. 저장 경로에 쌓인 데이터가 용량을 초과하거나 다른 경로로 변경해야 할 경우 저장 경로를 변경하여 사용할 수 있습니다. 먼저 기존 경로와 변경할 경로를 확인해보겠습니다. - 기존 저장 경로 : /var/lib/mysql - 신규 저장 경로 : /storage/mysql (원하시는대로 설정해주시면 됩니다.) 확인 후 신규 저장 경로를 생성해줍니다. $ sudo mkdir -p /storage/mysql 다음으로 기존 저장 경로의 파일들을 신규 저장 경로로 복사해주고 권한을 부여해줍니다. (아..

이미지 내에서 사물을 인식하는 방법에는 다양한 유형이 존재합니다. 그중 Object Detection에 대해 정리를 하려고 합니다. 먼저 내용은 개인적인 경험을 바탕으로 한 매우 주관적인 내용이라는 점을 미리 말씀드립니다. 저는 사실 Object Detection을 처음 접한 것은 2018년이라고 해야 할 것 같습니다. 이미지에서 내가 원하는 영역만 찾으면 좋겠다는 생각은 했지만, Public Dataset이 아닌 내가 원하는 Object를 기준으로 Dataset을 만들고 학습시키는 과정이 처음에는 쉽지 않았습니다. 처음에 R-CNN을 이용하여 개발해보고 "이 결과가 잘 나온 것인가?"라는 의문도 들었던 때도 있었고, YOLO를 개발하기 위해 Darknet Framwork를 설치하고 환경설정을 하면서 꽤..

이번 포스팅에서는 저번 포스팅에서 R-CNN Family라고 소개 드렸던, R-CNN 구조를 바탕으로 한 빠르고, 더 빠른 Fast R-CNN과 Faster R-CNN 논문을 소개해드리고자 합니다. 둘의 구조가 비슷한 점이 많고, Faster R-CNN에서 Fast R-CNN의 방법을 많이 가져오기 떄문에 같이 소개해 드리도록 하겠습니다. R-CNN 가족 ↓↓↓ 논문 링크 ↓↓↓ Fast R-CNN :https://arxiv.org/pdf/1504.08083.pdf Faster R-CNN : https://arxiv.org/pdf/1506.01497.pdf ⊙ Fast R-CNN (ICCV 2015) 이 전 포스팅에서 설명 드렸듯이 R-CNN은 CNN을 사용한 최초의 Object Detection 방법이..

그림1. 두 종류의 Object Detection 논문 흐름 이번 포스팅에서는 2-stage detector R-CNN계열의 선두주자이자, Object Detection 분야에 최초로 Deep Learning(CNN)을 적용시킨 R-CNN 논문을 소개해드리고자 합니다. 논문 링크 : https://arxiv.org/pdf/1311.2524.pdf ⊙ R-CNN (CVPR 2014) Rich feature hierarchies for accurate object detection and semantic segmentation 2012년 ILSVRC(ImageNet Large Scale Visual Recognition Challenge) 대회에서 AlexNet이 세상에 공개된 이후 CNN은 이미지 분류(C..

Deep Learning 을 이용한 Object Detection의 최신 논문 동향의 흐름을 살펴보면서 Object Detection 분야에 대해서 살펴보고, 구조가 어떤 방식으로 되어있으며 어떤 방식으로 발전되어 왔는지 살펴보고자 합니다. Object Detection이란? 그림1. Object Detection Deep Learning을 이용하는 Computer Vision Task 중에서 세 번째 그림에 해당이 됩니다. Object Detection이란 여러 물체에 대해 어떤 물체인지 분류하는 Classification 문제와 그 물체가 어디 있는지 박스를 통해 (Bounding box) 위치 정보를 나타내는 Localization 문제를 둘 다 해내야 하는 분야를 뜻합니다. 쉽게 말해서 Objec..

GAN은 Generative Adversarial Networks 의 줄임말로, Generative Model의 한 종류입니다. 우리말로는 생성적 대립 신경망이라고 합니다. GAN은 생성모델과 판별모델이 경쟁을 통해 실제와 가까운 이미지나 동영상, 음성 등을 자동으로 만들어내는 머신러닝 방식의 하나입니다. 인공지능이 실제 예제를 학습하고 공통점을 추론하여 매우 정교한 위조품을 만들어내는 것이 목표죠. ‍ 👉 Generative AI의 원리, 예시, 적용사례가 궁금하다면? ‍ GAN 알고리즘 원리와 구조 ‍ Generative Adversarial Networks, GAN은 확률 분포를 학습하며, 실제처럼 보이는 데이터를 생성하는 Generator과 데이터를 구별하는 판별모델 discriminator로 구..

What is the Sequential model and Functional API in Keras? What is the loss function, types of it? what are the optimizer and its type? If you’ve not gone through, Understand the concepts of Deep learning before this. Define the model. Sequential model or functional model - Compile the model and here you add loss function and optimizer before calling compile() function on the model Fit the model ..

이번에는 저번 포스팅에 이어서 머신러닝에서 중요한 용어인 feature에 대해서 생각해 볼것이다. feature는 한국어로 특징이라고도 해석이되는데, 학습 및 예측을 할 데이터의 특징, 항목 들을 의미한다. (머신러닝에서, Feature와 Attribute는 같은 용어로 이용된다.) 예를들어서 사람의 정보를 이용해서 이사람이 질병에 걸렸는지 건강한지 유무를 예측한다고 생각해보자. 여기서 사람의 정보란 무엇인가? 이는 우리가 어떤 자료를 모으냐에 따라 달라 질 수 있는데, 이는 개인의 키, 몸무게, 성별, 혈압, 나이, 식습관 등이 될 수 있다. 이러한 항목들이 feature라고 부른다. 개인의 키는 feature1 몸무게는 feature2 성별은 feature3 가 될 수 있는 것이다. 아래의 표를 보자..

# Gradient descent 경사하강법 공식 # Learning Rate Learning rate는 한국에서 학습률이라고 불리는 Mahcine learning에서 training 되는 양 또는 단계를 의미한다. Learning rate 또는 학습률은 딥러닝(Deep learning)에 대해서 배울 때 다룬다. 그 이유는 Deep learning neural networks 자체가 학습하는 과정에서 Stochastic gradient descent algorithm을 사용한다. 이때 사용되는 Stochastic gradient descent에서 학습 데이터를 기반으로 학습 모델 에러에 대한 가중치를 업데이트할 때 사용되는 기준점 중 하나가 Learning rate이기 때문이다. 따라서 Learning..

사용법 먼저, 다음과 같은 python file 을 만든다. import argparse # 인자값을 받을 수 있는 인스턴스 생성 parser = argparse.ArgumentParser(description='Argparse Tutorial') # 입력받을 인자값 설정 (default 값 설정가능) parser.add_argument('--epoch', type=int, default=150) parser.add_argument('--batch_size', type=int, default=128) parser.add_argument('--lr_initial', type=float, default=0.1) # args 에 위의 내용 저장 args = parser.parse_args() # 입력받은 인자..