꾸준히 성장하기

오늘은 딥러닝 분야에서 매우 중요한 한 영역인 '오브젝트 디텍션(Object Detection)'에 대해 공부했습니다. 이 영역은 컴퓨터 비전에서 물체를 인식하고 그 위치를 파악하는 기술로 다양한 실제 문제를 해결하는 데 사용되죠.1. Bounding Box Regression: 하나의 object가 있는 최소 크기 박스사실 이미지 속에서 '고양이'를 찾아낸다는 것은, 단순히 고양이가 '있다'는 것을 넘어서 그 정확한 '위치'를 알아내는 과정입니다. 이 과정에서 Bounding Box Regression이 중요한 역할을 하는데요, 이것은 고양이의 위치를 이미지 내의 좌표로 표시하고, 그 크기를 결정하는 것입니다. x, y 좌표로 시작점을 찾고, w와 h로 너비와 높이를 정의함으로써, 우리는 ..

오늘은 딥러닝의 핵심 구성 요소 중 하나인 합성곱 신경망(Convolutional Neural Network, CNN)에 대해 배웠습니다. CNN은 특히 이미지를 분석할 때 강력한 성능을 발휘하는데요, 예를 들어 고양이 사진에서 귀 같은 특정 부분을 잘 인식할 수 있도록 돕습니다. 이 과정을 이해하기 위해 여러 단계를 거쳐 설명하고자 합니다.1. Convolutional Layer: 지역적 특성 캐치합성곱 레이어는 이미지의 지역적 특성을 파악하는 필터(또는 커널)를 사용합니다. 이 필터들은 이미지를 한 칸씩 이동하며 스캔하고, 특정 특성(예: 고양이의 귀)이 감지되면 반응하여 숫자가 커지고, 그렇지 않으면 숫자가 거의 0에 가까워집니다. Conv2D(32, kernel_size=(3, ..

안녕하세요, 오늘은 딥러닝의 가장 기본적인 실습 중 하나인 MNIST 데이터셋을 활용한 손글씨 숫자 분류에 대해 알아보겠습니다. MNIST는 0부터 9까지의 숫자 이미지로 구성된 데이터셋입니다.1. MNIST 데이터셋 소개MNIST 데이터셋은 60,000개의 훈련 이미지와 10,000개의 테스트 이미지로 구성되어 있습니다. 각 이미지는 28x28 픽셀 크기의 회색조 이미지로, 각 픽셀은 0(흰색)부터 255(검은색)까지의 값을 가집니다. 이 데이터셋은 딥러닝 모델의 성능을 평가하고 비교하는 데 널리 사용됩니다. 2. MNIST 모델 구현 순서1) 데이터 로드와 전처리TensorFlow와 Keras를 사용하여 MNIST 데이터를 불러옵니다. 이미지 데이터는 0에서 255 사이의 값을 가지..

안녕하세요, 여러분! 이번에는 딥러닝에서 자주 쓰이는 또 다른 중요한 기법, '다중 분류'에 대해 배워보겠습니다.다중 분류는 데이터를 두 개 이상의 범주로 분류하는 모델을 구축하는 방법입니다. 예를 들어, 이미지를 여러 종류의 동물로 분류하거나, 음식 사진을 여러 음식 카테고리로 나누는 것이죠. 1. 활성화 함수: Softmax다중 분류의 아웃풋 레이어에서는 'softmax' 활성화 함수를 사용합니다. 이 함수는 여러 클래스 각각에 대한 확률을 출력하여, 가장 높은 확률을 가진 클래스를 모델의 예측값으로 선택하게 합니다.  2.  손실 함수1) 정수 인코딩: 손실 함수로 'sparse_categorical_crossentropy' 범주형 라벨을 단순한 정수로 변환하는 방식입니다. 예를 ..