분류 전체보기 1075

Etherium Blockchain Coding Tutorial

https://ethereum.org/en/developers/tutorials/a-developers-guide-to-ethereum-part-one 이더리움을 학습하기 위해서 다음과 같이 준비하자. ① 터미널 사용이 가능해야 한다. ② 수 줄의 파이선 코드가 준비되어야 한다. ③ 가상환경을 이용할 수 있어야 한다.:아나콘다에서 가상환경을 하나 준비하거나 또는 구글 Colab에서 파일을 하나 오픈하면 가능하다. ④ pip 명령 사용이 가능해야 한다. 이더리움 시스템과 상호작용 하기위한 파이선 개발자는 이더리움 노드 컴퓨터와 간단히 연결할 수 있는 Web3.py 라이브러리를 사용하여 데이터를 보내거나 받을 수 있다. 이더리움 서버와 연결하고자 하는 이더리움 클라이언트는 IPC, http, web sock..

카테고리 없음 2024.03.04

1990년대 말 CNN 응용의 길을 튼 LeCUN 교수의 LeNet-5 CNN 모델을 PyTorch 로 실습해보자.

LeNet-5 PyTorch 에서 은닉층이 없는 간단한 MNIST 문제를 다뤄 보자. Colab 에서 !pip install ⦁⦁⦁ 명령에 의한 별도의 PyTorch 라이브러리 설치 없이 torch 와 torchvision 을 import 하여 사용할 수 있다. 1 # Simple Network MNIST import torch import torch.nn as nn import torch.optim as optim import torchvision torch 가 import 되면 torch.nn 과 torch.optim 을 사용할 수 있으며, torchvision 이 import 되면 이를 상속하여 datasets.MNIST를 사용할 수 있다. 60,000개의 데이터중 50,000개는 학습용이며 10,..

OpenCV 의 BGR, RGB, GRAY 및 Matplotlib 의 RGB format 비교

아나콘다의 가상환경에서 opencv-python 라이브러리가 install 되었는지 확인 후 아래의 과제를 실습해 보자. 그림판에서 임의의 크기로 사각형 작도 명령을 사용해 BGR 색상을 준비하여 파일명을 bgr.jpg 로 저장하자. BGR 직사각형의 크기는 임의로 하여 bgr.jpg 로 저장하자. 아래의 OpenCV 코드를 작성하여 이미지 입력 bgr.jpg 와 같은 폴더 내에 두고 실행시켜 나타나는 이미지를 비교해 보자. OpenCV 의 cv2.imread 로 읽은 original image 는 그림판에서 작도한 Blue, Green, Red 그대로며 cv2.imread(‘bgr.jpg).copy() 인 BGR 도 original_image 와 동일한 색상을 보여준다. 반면에 BGR2RGB 로 변환한..

인공지능 발전사

처음 입문하는 초보자에게는 인공지능 발전사 전체 요약 내용이 다소 익숙치 못해 이해하기 어렵다고 느낄 수 있으나 이어지는 각론에서 다룰 것이므로 완전히 이해하지 못해도 그다지 문제될 것이 없다. 지금도 인공지능의 핵심적인 분야를 차지하는 통계 확률적 분류 작업 즉 classification 알고리듬은 1901년 Pearson 교수의 PCA 기법에서 기원한다. PCA 기법은 Pearson 교수가 역학 전문가였던 동료로부터 Mohr’s Circle 이론을 참조하여 제시한 알고리듬이다. PCA 알고리듬에 이어 1936년 Fisher 교수의 iris flowers를 분류하기 위한 통계학 기반의 LDA (Linear Discriminant Analysis) 알고리듬이 출판되었다. 아래 2차원 좌표계에서 푸른색 점..

YOLO v3 meerkat 1 class Training

오픈소스 YOLO v3 (v4)을 사용하여 사용자가 준비한 이미지 데이터 1종 meerkat 이미지를 학습 시켜보자. 이미지용 학습 데이터는 아래의 두 유튜브 영상을 참조하자. BBC Meerkat 검색 결과 영상들 오마이갓 백두산 검색 결과 영상들 1ㅗㅇ의 데이터만 학습시키기 위해서 총 64개의 데이터를 준비하여 개인사용자 PC에서 custom_data 폴더를 생성하여 저장하도록 한다. 64 란 숫자의 의미는 batch sixe 를 32 로 설정하기에 이에 맞춘것이다. 각 custom_data 별로 라벨 값 meercat 을 부여할 수 있도록 labelImg 를 사용하자. 수집된 각 이미지 데이터를 오픈 후 Create Rect 명령을 사용하여 직사각형 형태로 객체를 drag 하여 둘러 쌓은 후 출력 ..

YOLO v3 3 Classes Custom Data Training: 오바마, 저커버그, 일런머스크

참조: how to train YOLO v3, v4 for custom objects detection using Colab free GPI https://www.youtube.com/watch?v=hTCmL3S4Obw&t=1631s 오픈소스 YOLO v3 (v4)을 사용하여 사용자가 준비한 이미지 데이터를 학습 시켜보자. 이미지용 학습 데이터는 구글에서 Obama, Zuckerberg, Eln Musk 3명의 얼굴 이미지 jpeg 데이터를 수집하도록 한다. 각 데이터별로 10개씩 수집하여 custom_data 폴더를 생성하여 저장하도록 한다. labelImg 를 사용하여 수집된 데이터를 오픈 후 Create Rect 묭룡을 사용하여 직사각형 형태로 객체를 둘러 쌓은 후 출력 양식을 YOLO 로 선택하여..

No validation prediction of unseen image using callback weights

tf.keras.utils.image _dataset_from_directory 명령의 파라메터 validation_split=0.0 인 경우에는 데이터 전체를 학습에만 사용할 수 있도록 코드를 수정해 보자. train_ds 에서 파라메터인 subset=“training”을 지우도록 한다. training 파트가 더 이상 부분집합(subset) 이 아닌 집합(set) 자체로 바뀌기 때문이다. val_ds 와 관련된 코드도 전부 삭제한다. 1 train_ds = tf.keras.utils.image_dataset_from_directory( data_dir, validation_split=0.0, #subset="training", shuffle=True, seed=1234, image_size=(img_..

Prediction of unseen image using callback weights

Keras 신경망을 사용하여 학습한 callback 가중치를 model.load_weights(checkpoint_path) 를 사용하여 불러낸 후 별도의 unseen image 의 라벨 값을 예측(prediction) 해 보자. 예측하고자 하는 하나의 이미지 즉 여기서는 diffenbachia 잎사귀 사진을 사용하였다. 이를 읽어 들이기 위해서 OpenCV imread 명령을 사용하자. 실제 이미지의 해상도는 고해상도이지만 classification 목적을 위해서 학습과정에서 사용했던 표준적인 (224,224) 로 resize 한다. 1 import cv2 data_root = ("D:/⦁⦁⦁/ImageClassfication/DataSet") img_height = 224 img_width = 224..