Machine Learning , AI, Arduino Coding

tf.keras.utils.image _dataset_from_directory 명령을 사용하여 이미지 데이터 세트를 종류별로 분류하는 학습 과정에서 callback 파라메터를 설정하여 내부적으로 생성되는 가중치를 특정 폴더 주소인 checkpoint 주소를 지정하여 저장하자. 차 후에 별도의 테스트 데이터를 준비한 후에 가중치 생성 시에 사용했던 모델을 불러 낸 후 저장된 가중치를 업로딩하여 학습과정 없이 평가(evaluation) 작업을 실행해 보자. 첫째로 가중치를 생성했던 모델을 그대로 부른다. 둘째로 checkpoint 경로를 지정하자. training_1 은 폴더명이며 현재의 실행파일이 위치한 폴더에 설치된다. 셋째로 tf.keras.callbacks.ModelCheckpoint 명령을 사용하..

헤더 영역에 필요한 라이브러리들을 선언하자. 1 import os import tensorflow as tf from keras.models import Sequential from keras.layers import Dense, Dropout, Flatten from keras.constraints import maxnorm from keras.optimizers import Adam from keras.layers.convolutional import Conv2D from keras.layers.convolutional import MaxPooling2D from keras.utils import np_utils import numpy as np import time import matplotlib...

참조: 구글 Load and preprocess images https://www.tensorflow.org/tutorials/load_data/images ※ ImageDataGenerator https://www.tensorflohttps://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator ImageDataGenerator 기법은 deprecicated 하므로 tf.keras.utils.image_dataset_from_directory 명령을 사용하자. 과거에는 tf.keras.preprocessing.image.ImageDataGenerator 명령을 사용했으나 이미 낡았으므로 앞으로는 tf.ker..

참조: 구글 Save and load models https://www.tensorflow.org/tutorials/keras/save_and_load TensorFlow.Keras 에 의한 MNIST 수기문자 판독 머신러닝 학습과정에서 생성되는 학습 가중치값을 checkpoint 폴더에 저장했다가 다시 불러내서 즉 사전학습시킨 가중치를 활용하는 방법을 살펴보자. 이 기법은 다른 OS 시스템에 porting 을 목적으로 하는 TensorFlow Lite 에서의 기법과는 다른 방법이다. 예를 들면 아나콘다에서 TensorFlow 로 학습 시킨 가중치를 저장해 두었다가 아나콘다 OpenCV 에서 캡춰한 이미지를 대상으로 객체를 탐지해 볼 수 있다. 텐서플로우 케라스를 사용한 MNIST 학습 및 검증 과정에서..

이미지 데이터 라벨값 Detection 결과 데이터 참조: Object detection with Tensorflow model and OpenCV https://towardsdatascience.com/object-detection-with-tensorflow-model-and-opencv-d839f3e42849 import tensorflow_hub as hub # 코코데이터로 학습한 가중치 라이브러리를 불러 오는 곳 import cv2 import numpy import pandas as pd import tensorflow as tf import matplotlib.pyplot as plt width = 1028 height = 1028 #Load image by Opencv2 img = cv2...

아두이노 IDE 편집기 아두이노는 키보드와 디스플레이가 없으며 USB 케이블에 의항 양방향을 통신을 사용하여 PC에서 아두이노IDE 즉 편집기에서 코드를 작성 빌드하여 업로딩 한다. 아울러 아두이노 CPU에서 실행되어 출력되는 결과는 편집기 시리얼 모니터 창을 열어서 볼 수 있으며, 출력 결과가 그래프라면 시리얼 플로터를 사용한다. 2. 아두이노 편집기 아두이노의 USB 케이블을 컴퓨터와 연결한다. 시작 바에서 아두이노 로고를 눌러 편집기를 연다. 예능인을 위해 출시된 아두이노의 코드를 스케치라 한다. 다음은 편집기 창에서 가장 빈번하게 사용하는 메뉴들만을 박스 해 보았다. 예제에서는 코딩 초보자를 위한 코드 사례를 제공. 하지만 배선은 각자 준비해야 한다. 3. 새파일 생성, 입력, 저장 및 빌드 새파..

2023년 5월 31일 수요일 오후 6시 신산업분야 지식재산 융합인재 양성사업단에서 주최한 제 2회 디딤돌 포럼이 유전생명공학관 1층 시청각실 강당에서 기계공학과 오환섭 교수님의 초청으로 특허정보개발원 특강 강사 조현오 박사님을 모시고 개최되었다. 일반적인 특허 신청 절차를 포함한 개론은 2022년 11월말 아두이노 무선 RC카 제작 경진대회 중에 오환섭 교수님의 특강이 있었다. 한편 이번 포럼에서는 한걸음 더 나아가 국내나 국제적으로 항상 큰 문제가 되고 있는 첨단 신산업 분야의 특허분쟁이 일어나는 원인인 특허 도용을 원천적으로 방지할 수 있도록 연구 개발 과정 전주기에 걸쳐 특허 획득 이전에도 차 후에 연구 내용을 합법적인 특허 내용ㅇ,로 인정 받을수 있는 특허 연구관리 노트 작성법을 세부적으로 다루..

OpenCV에서 휴변환에 따라 line 요소가 구체적으로 어떤 형태로 얻어지는지 인위적인 그림 파일을 만들어 적용해 보자. 그림판을 사용하여 픽셀 해상도가 640 x 480 이 되도록 크기를 정한 후 화면 중앙에 수평선을 그은 후 파일명을 rect_line, 확장자를 jpg 로 저장하자. 아래의 이미지 파일을 다운받아 활용하자.single_line_detection.py 한편 그림판에서 수평선을 긴 직사각형으로 확대한 후 커서를 사용하여 위와 아래 코너의 좌표를 찍어 보면 (0, 238) 과 (0, 242) 좌표 값을 얻을 수 있다. 오른쪽 끝의 좌표는 (639,238) 과 (639, 242) 를 얻을 수 있다. cv2.imread 명령을 사용하여 “rect_line.jpg”를 읽어 img 로 두고 복제..

붓꽃 데이터세트 붓꽃은 setosa, versicolor, virginica 3 종류가 있으며 이들은 서로 다른 꽃받침(sepal) 크기와 꽃잎(petal) 크기를 특징(feature) 파라메터로 가진다. Cost 함수가 사용되지 않는 퍼셉트론 학습은 epoch 별로 출력 값을 체크하여 정답에 도달하지 못했을 경우에 정답과 오답과의 차이 값에 대해서 작은 크기의 학습률을 곱해 업데이트하여 다음 epoch를 연산한다. 제어 공학에서 오차에 이득(gain)을 곱하여 피드백 해주는 기법과 유사하다. ※ 머신러닝에서 한 싸이클에 해당하는 학습을 생물 진화론에서 1세대에 해당하는 epoch 란 용어를 관행적으로 사용함에 유의하자. 붓꽃 분류문제는 농업 바이오 통계학 분야의 토대를 만들었고 다윈의 후계자로도 유명한..

특허청 주관 2023년도 캠퍼스 특허 유니버시아드 경진대회 참가를 앞둔 6개 기계공학과 출전팀 학생들을 대상으로 대회 개요에 관한 오환섭 교수님의 특강이 이루어졌다. 각 출전팀은 지도교수와 학생들로 팀이 구성되어 전문성이 요구되는 기계공학 부문 특허 전략 수립에 도전하게 된다. 학생들 자체 능력을 바탕으로 진행이 되지만 고비마다 지도교수님의 핵심 컨설팅이 필요하리라 예상된다. 하지만 최종 결과는 팀 학생들에 의해서 최종적인 특허전략안이 도출 되어야 할 것이다.