YOLO (You Only Look Once) 모델은 다른 모델들에 비해 빠른 처리 속도를 보여 실시간으로 객체탐지가 가능합니다. YOLO를 배우기 전, OD 문제를 푸는 접근방법을 학습하고, 실시간 탐지에 적합한 One Stage Detector, YOLO 모델을 집중적으로 배워봅니다.
자율주행의 핵심인 영상인식 기술, 실제 자율주행에서 컴퓨터비전이 활용되는 원리를 이해하기 위해 본 실습을 진행합니다. 영상 속에서 차를 인식하고, 분류하여 분석하는 일련의 과정을 함께 경험해 보세요.
강의를 수강한 후, 여러분은 YOLO Objet Detection Application을 직접 만들어보는 경험을 통해 나만의 딥러닝 모델을 설계하여 바로 적용할 수 있게 됩니다.
영상 인식 딥러닝 모델!
선형대수학, 확률, 통계 지식, 이미지와 영상 데이터 형태 및 구조까지 필요한 핵심 내용만 배워 직접 설계할 수 있도록 합니다.
최신 영상 인식 딥러닝!
영상 인식 문제를 정의하고, 각 문제에 대한 대표적인 알고리즘들을
논문 리뷰 및 구현을 통해 이해할 수 있습니다.
실무에서 수요가 높은!
글로벌 기업 엔지니어에게 현업에서 가장 수요가 높은 기법을 살펴보고 프로젝트에 구현해 봅니다.
구현된 결과물을 현업에 즉시 적용합니다.
해당 분야에 대한 기초 지식이 부족하다면? 꼭 이 강의를 수강해야 해요!
본 과정은 실시간 영상인식의 끝이라고 볼 수 있는 Object Detection을 주로 다루면서 Search, Localization, Classification, Object Detection까지 한번에 배우게 됩니다.
실제 영상인식 프로세스를 경험해보며 보다 빠르고 쉽게 영상인식 개념을 이해하고, 이를 적용해볼 수 있도록 강의를 진행합니다.
가장 활발한 분야인 만큼, 관련 논문도 수십개입니다. 단언컨대 논문 수십개를 본다고 해서 전문가가 될 수 있는 것은 아닙니다.
컴퓨터 비전 분야에서 가장 핵심이라 평가되고 있는 논문들만 집중적으로 리뷰하고 실습함으로써 보다 직관적으로 딥러닝 기반 컴퓨터 비전을 이해할 수 있도록 합니다.
딥러닝 영상인식은 전문적인 지식을 필요로 하는 경우가 많습니다. 본 강의는 컴퓨터 비전 기술을 다루는 국내 최고의 기업 중 한 곳에서 근무하는 강사님이 직접 강의를 이끌어 나갑니다.
현업에서 활발하게 사용되는 컴퓨터 비전 기법들은 무엇인지 등을 직접 배울 수 있음은 물론 1:1 코칭을 통해 보다 쉽게 지식을 내 것으로 만들 수 있습니다.
현업에서의 자율주행, 그 핵심을 영상인식 기술을 이론과 실습을 통해 압축적으로 배워봅니다.
모델 구현 프로젝트 실습으로 현업에서 마주치는 문제를 미리 경험하고 해결할 수 있습니다.
나만의 영상인식 모델 설계시 1:1 피드백을 강사님과 현장에서 나눠볼 수 있습니다.
해당 과정은 오프라인과 온라인 라이브가 동시 진행됩니다.
온라인 라이브 강의는 zoom을 활용해 진행될 예정입니다.
과정 진행 기간 동안 담당 매니저가 디스코드를 운영할 예정이며, 강사님과도 디스코드를 통해 언제든 소통하실 수 있습니다.
실습을 위해 개인 PC가 꼭 필요하며, colab 환경에서 강의가 진행됩니다.
python 및 Tensorflow Syntax 이해의 사전 지식이 요구됩니다.
수강 신청을 해주시면 컴퓨터비전 입문 강의가 각 계정에 추가됩니다.
[내 강의장] - [온라인 강의]에서 확인하실 수 있으며, 결제 확인을 위해 시간이 소요될 수 있습니다.
수강 기한은 "30일"입니다. 꼭 기한 내에 수강을 부탁드립니다.
※본 강의 환불시, 온라인 강의에 대한 금액 차감 후 환불되는 점 참고 바랍니다.
내가 하는 일에 영상인식 기술을 접목하고 싶은 분
기존 영상인식 모델 성능을 향상 시키고자 하는 분
영상인식 논문 준비중인 대학원생
현재 연구소에서 영상인식과 관련된 연구를 하고 있는 연구원입니다. 머신러닝(Machine learning) 분야를 처음 접하게 된 건 2014년 입니다. 기존 컴퓨터 비전에서 보이던 한계를 뛰어넘기 위해 연구를 하던 중, ‘패턴인식’이라는 학문을 접하게 되었고, 이를 연구에 적용시켜본 것이 머신러닝에 입문하게 된 계기입니다. 그만큼 이 학문에 대한 애정과 자부심을 갖고 있으며 초심자에게 가이드가 되어 줄만큼의 이해도를 갖고 있다고 생각합니다.
이론만 공부하는 것은 실제 문제를 해결하는 것과는 괴리가 크며, 이해가 없는 실습은 응용하는 데 한계가 있습니다. 본 영상인식 강의는 ‘실습’을 통한 ‘이해’를 모토로 진행되기 때문에, 매 강의마다 이론과 실습을 1:1의 비율로 구성하였습니다. 특히 가시적인 이해를 돕기 위해 영상 데이터를 활용하여 다양한 영상인식 모델을 설계해 볼 것입니다. 실습은Python을 기반으로 Tensorflow, Keras 등 과 같은 머신러닝에 특화된 라이브라리 등을 이용하여 진행할 것입니다. 실습 목표는 모든 수강생들이 직접 개인 PC 환경에서 머신러닝 모델을 설계 및 구동할 수 있게끔 지도하는 것입니다.
온라인 강의(CNN 기반의 필수 논문 리뷰를 통한 컴퓨터비전 입문)에서 대표적인 모델들을 자세하게 살펴보면서 머신러닝의 학습원리에 대해 깊게 이해해 볼 것입니다. 이 과정을 마치면, 어느 정도 잘 정제된 본인의 Data들에 바로 적용하여 간단한 이미지 분류 모델이나 회귀 곡선 추정 모델을 설계할 수 있을 것입니다. 본 강의에서는 딥러닝 분야의 최신 논문들과 함께, 각 논문들의 Contribution에 대해 알아보고, 아이디어가 모델에 어떻게 반영되었는지 학습할 것입니다. 본 과정의 실습을 이해하고, Custom data로 구동하는 방법을 익히면서, 각 기법들을 본인의 분야에서 안고 있는 문제점과 결부시켜 봄으로써 창의적인 아이디어를 고안하는 데 활용 될 수 있을 것입니다.
머신러닝의 기본적인 내용을 심층적으로 이해하는 것을 시작으로 하여 최신 알고리즘까지 직접 모델링 해보는 실습까지 진행되는 만큼, 머신러닝에 대해 피상적으로 알고 계신 분이 본인의 분야로 응용하고자 하는 목표를 가지신 분께 적합한 강의일 것 같습니다. 특히 영상인식을 위주로 실습이 진행되므로 영상인식 분야에 대해 연구 목표가 있으신 분이 머신러닝을 이해하고 활용하는 데 큰 도움이 될 것이라고 생각합니다.
머신러닝은 각종 매체를 통해 쉽게 접할 수 있습니다. 하지만 그것을 내 컴퓨터로, 그리고 내 데이터로 모델링하기 위해서는 학습원리에 대한 이해가 필수적입니다. 깊은 이해를 갖고 머신 모델링에 접근해야 좀 더 데이터에 적합한 네트워크를 선택 또는 응용할 수 있기 때문입니다. 본 강의는 모든 수강생들이 내 컴퓨터에서, 내 데이터로 나만의 머신러닝 모델을 설계하는 것을 목표로 합니다. 본 강의의 커리큘럼을 충실히 따라온다면 이론적 지식에 대한 탄탄한 이해를 바탕으로 가시적인 결과가 보이는 실습을 해 봄으로써, 본인의 분야에 응용할 역량을 갖출 수 있을 것입니다.
1주차. Object Detection Introduction 및 Two stage Detector
이미지 물체 인식(Detection)기술은 딥러닝 기반의 융합 기술 분야에서 가장 많이 요구 되는 기술 중 하나 입니다. 본 강의에서는 OD 문제를 정의해보고, 이 문제를 해결하기 위해 추가적으로 고려할 요소들에 대해 학습해볼 것입니다. 마지막으로는 OD와 관련된 다양한 지표들과 OD의 dataset 형태에 대해서도 알아볼 것입니다.
1) 이론
– Object Detection 문제 정의
– Localization/Region Proposal 개념 학습
– IoU , precise,recall, mAP 등 지표 이해
– Object Detection Dataset의 형태 이해
– Two-Stage type OD algorithm (RCNN series)
2) 실습
– Localization / Region Proposal
2주차. One stage Detector 및 YOLO 모델 소개
이미지 물체 인식(Detection) 문제를 해결하기 위한 방법으로 크게 두 가지 접근 방식이 있습니다. 모델의 발전 과정을 짚어보면서 각 접근법의 장/단점에 대해 이해해 보고, one-stage model의 대표적인 방법인 yolov3 모델을 실습할 것입니다.
1) 이론
– One-Stage type OD algorithm (YOLO v1~v3)
– YOLO v1~v3 논문 리뷰
2) 실습
– YOLO v3 inference code 구현
(preprocessing, nonmaximum supresssion, intersection over union 함수 및 darknet53, yolo v3 model 구현
3주차. Object detection(YOLOv3) inference part implementation
앞서 실행한 object detection 모델을 심층적으로 이해해 볼 것입니다. Line by line으로 코드를 리뷰 하면서 코드의 구조와 각 함수들이 어떤 역할들을 수행하는지 자세하게 살펴 볼 것입니다.
1) 이론
– Training Code Implementation (on image / on video)
– 성능측정 이론 : OD를 위한 training 데이터 형태 설명
2) 실습
– dataset class (augmentation 포함), loss fuction, model training logic 구현
– [Car detection-YOLO] 데이터를 활용한 Vehicle Detection 모델
4주차. YOLO training 모델 구현 및 최종 프로젝트(custom data)
본 강의의 최종 목표 프로젝트는 각 수강생들이 개인 Custom data로 딥러닝 기반 물체 인식 모델을 설계하는 것입니다. 목표를 달성하기 위해 data를 준비하는 과정인 Labeling tool 사용법부터 Pre-trained weight를 활용하여 학습 시간을 단축하는 방법, 그리고 학습된 모델을 저장하고 로드하는 방법까지 다룸으로써 현업에 도움이 될 수 있도록 가이드 할 것입니다.
1) 이론
– data labeling tool 소개 및 사용법
– parser 구현
2) 실습
– Custom data Object detection 모델 구현 실습
지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.
로그인 후 이용가능합니다.
로그인 페이지로 이동합니다.
