강의탐색

데이터사이언스
중급, 고급

YOLO SOTA급 모델로 배우는 Object Detection : 자율주행, 의료 프로젝트

실무에 가장 많이 사용되는 SOTA급 모델부터 국내 최초 YOLOv9 기술 리뷰까지. CV/AI 엔지니어 강력 추천, Object Detection 실무 강의!

바로 수강

수강 기한: 평생 수강

온라인

총 74강, 약 20시간 43분

강의 특징

이 강의를
선택해야 하는 이유

YOLOv5, v8 등 실제 실무에서 사용 중인 YOLO SOTA급 모델 및 YOLOv9 기술 리뷰

Object Detection에서 가장 활발하게 사용되고 있으며, 대표적인 오픈소스인 YOLOv5, v8의 각 모델에 적용된 기술들을 상세히 이해하고 대조해봅니다. 또한, 24년 2월에 공개된 YOLOv9 기술 리뷰를 통해 Detection 분야의 트렌드를 파악할 수 있습니다.

YOLOv5 및 v8을 활용한
뇌 종양 탐지, 자율주행 인지 기술 및 실시간 교통량 분석 프로젝트

Detection 기술이 많이 적용되는 분야인 자율주행 및 의료 분야의 데이터를 활용해 프로젝트를 진행합니다. 차량 카메라 영상, 고속도로 CCTV, 뇌 MRI 이미지를 활용한 알고리즘 구현과 YOLOv5, v8 비교 분석 등 모델을 확장 응용 할 수 있는 역량을 길러 실무 프로젝트에 바로 적용할 수 있습니다.

데이터 처리, 아키텍처, 손실함수 등 내부코드 및 기술 설명에 집중한 코드구현 실습

단순 공개 코드를 학습 및 추론하는데 그치지 않고, 내부 코드 및 기술 설명에 집중한 코드 구현 실습을 진행합니다. 공개 코드 및 실습 코드를 비교하며 논문에 소개된 기술적 내용이 코드에서는 어떻게 구현되는지 알아봅니다. 향후 논문 및 공개 코드를 빠르게 이해하고, 기술적인 실력을 향상시킬 수 있습니다.

강사 소개

최고에게
배워보세요.

H

Deep Learning Algorithm Engineer

안녕하세요, H 강사입니다. 2016년도에 이세돌과 알파고 대결을 보면서 인공지능 기술이 산업 전반에 적용되겠다는 생각을 했던 때가 처음 제가 인공지능을 접했을 때입니다. 졸업 이후 IT, 반도체, 자율주행 회사에 다니며 도메인에 따라 정확도가 높아야 한다든지 혹은 처리속도가 빨라야 한다든지 등의 기술적 니즈가 다르다는 것을 알게 되었고, 현재는 이러한 니즈에 맞도록 기존모델을 적합하게 설계하거나 탐색하는 것에 관심이 많은 연구원 입니다.

본 강의에서는 실무에 가장 많이 사용되는 SOTA급 Detection 모델을 이해하기 위한 내용을 다룹니다. 기존 온라인강의는 YOLOv1 이나 v3 수준의 설명 혹은 코드구현이며, 이는 실무에서 사용되는 SOTA급 모델을 고려하면 실무에 필요한 지식과 차이가 있을 것으로 생각됩니다. 또한, 본 강의는 YOLOv5, v8 공개 라이브러리의 단순한 활용법이 아니라 이론적 설명 및 데이터처리, 아키텍처 및 손실함수 등 학습코드와 추론코드 구현실습을 포함하고 있고 해당 실습내용을 토대로 향후 실무에 바로 적용해볼 수 있는 참고자료로 유용하게 사용할 수 있습니다. 마지막으로 24년 2월에 나온 따끈한 YOLOv9 을 리뷰해보면서 최근 핫한 LLM 이나 LMM 과 더불어 Detection에서는 어떤 기술들이 적용되고 있는지 트렌드를 선행하여 파악해볼 수 있습니다.

인공지능의 대두가 현재까지 방산, 제조, 자율주행 등 다양한 산업군에 막대한 영향을 주었고, 앞으로 수십 년간에 걸쳐 더욱 급변할 것이라고 확신합니다. 그 변화 중에서 빠질 수 없는 것이 비전 센서를 이용한 탐지, 즉 인공지능에서 "눈"의 역할일 것입니다. 이 "눈"에서 가장 중요한 태스크는 탐지(Detection)이며 향후에는 점차 Detection 기술에 대한 수요가 산업 전반에 걸쳐 늘어날 것으로 생각됩니다. 해당강좌를 초석으로 두어 앞으로 Detection 분야에 뛰어난 엔지니어 혹은 연구원이 되길 바랍니다.

이력사항

현) 글로벌 AI기업 R&D 딥러닝 알고리즘 연구개발
KAIST 석사 졸업 (딥러닝 이용한 반도체 결함탐지 연구)

기타활동

딥러닝 관련 국내외 특허출원 3건
다수 프로젝트 멘토링 및 코드리뷰어(AI부트캠프, 글로벌 플랫폼 딥러닝 Nano-degree 프로그램)
컴퓨터비전 입문, 컴퓨터비전 초격차 패키지 출강(F*사 플랫폼)
결함탐지 연구 우수발표상 수상
자율주행에 필요한 YOLO 모델 성능향상에 관한 연구 수행

커리큘럼 요약

커리어 성장에
꼭 필요해요.

Section 1. Object Detection 입문

Detection 산업군별 적용 사례, Bounding Box 좌표 포맷, Detection에서 알아야하는 평가 메트릭 및 mAP 등 Object Detection 분야에 필요한 기반 지식을 습득합니다.

Section 2. Pre & Post-process 소개

Object Detection에서 전반적으로 적용되는 Pre-process와 Post-process를 배워봅니다.

Section 3. Detection 모델의 성능지표 mAP

Object Detection에서 사용하는 평가지표를 이해하고, COCO API 활용 실습 및 mAP 계산코드를 구현해봅니다.

Section 4. Anchor-based Detector, YOLOv5 학습하기

YOLOv5 학습에 적용된 기술 및 처리과정들을 이해하고, 아키텍처·Loss fuction·Trainer 코드를 구현해봅니다.

Section 5. Anchor-based Detector, YOLOv5 성능평가하기

YOLOv5 모델평가에 적용된 기술 및 처리과정들을 이해하고, Output 구조·Bag of Specials·Evaluation·Training with evaluation 코드를 구현해봅니다.

Section 6. Anchor-based Detector, YOLOv5 추론하기

학습된 YOLOv5 을 활용하여 추론해보고 이에 적용된 기술 및 처리과정들을 배워봅니다.

Section 7. [실습프로젝트] 차량자율주행 인지기술 구현하기

차량 전방 카메라 영상 데이터를 활용하여 YOLOv5 기반 자율주행 인지기술 구현 프로젝트를 진행합니다.

Section 8. Anchor-free Detector, YOLOv8 학습하기

YOLOv8 학습에 적용된 기술 및 처리과정들을 이해하고, Bag of Freebies·아키텍처·Loss function·Traainer 코드를 구현해봅니다.

Section 9. Anchor-free Detector, YOLOv8 성능평가하기

YOLOv8 모델평가에 적용된 기술 및 처리과정들을 이해하고, Output 구조·Bounding Box Decoding·Bag of Specials·Evaluation·Training with evaluation 코드를 구현해봅니다.

Section 10. Anchor-free Detector, YOLOv8 추론하기

학습된 YOLOv8 을 활용하여 추론해보고 이에 적용된 기술 및 처리과정들을 배워봅니다.

Section 11. [실습프로젝트] MRI 뇌종양 탐지모델 구현하기

뇌 MRI 이미지를 활용해 악성 및 악성 종양 탐지 알고리즘을 구현하는 프로젝트를 진행합니다. 이 때, YOLOv5와 v8 모델을 각각 구현하여 성능을 비교해봅니다.

Section 12. [실습프로젝트] 고속도로 실시간 교통량 분석하기

고속도로 CCTV 비디오 영상 데이터를 활용하여 YOLOv8 기반 실시간 교통량 분석 프로젝트를 진행합니다.

Section 13. 24년 SOTA YOLO Detector, YOLOv9 리뷰

YOLOv9 개요와 Programmable Gradient Information(PGI) 및 Generalized ELAN(GELAN) 리뷰를 진행하고, Experiment 및 Implementation details 소개합니다.

수강대상

이런 분들에게
추천합니다.

영상처리, 컴퓨터비전(CV), AI 관련 엔지니어 및 리서처

Object Detection SOTA 모델 (YOLOv5, v8 등)을 실무에 적용하고 싶은 분

24년 2월 CVPR 게재된 YOLOv9 최신 모델에 적용된 기술을 알고 싶은 분

단순히 공개된 모델을 사용하는 것이 아닌, 응용개발을 위한 이해가 필요하신 분

Ultralytic 등의 Open Library로 쉽게 학습하고 추론 할 수 있지만,
내부적인 동작 원리나 기술을 제대로 이해하지 못한 분

강의자료

이런 자료로
배울 거예요.

Section 3
Detection 모델의 성능지표 mAP

Section 4
Anchor-based Detector, YOLOv5 학습하기

Section 7
[실습프로젝트] 차량자율주행 인지기술 구현하기

Section 12
[실습프로젝트] 고속도로 실시간 교통량 분석하기

자주 묻는 질문

궁금한 점을
알려드려요.

본 강의에서 배운 내용을 수강생 분들이 어떻게 활용할 수 있을까요?

Object detection에서 가장 핫한 YOLOv5, v8, v9을 살펴보면서 각 모델에 적용된 기술들을 상세히 이해하고, 기술이해를 바탕으로 실무에 적용하거나 프로젝트 시 모델을 확장 응용해나갈 수 있는 역량을 기를 수 있으며, 기존 공개코드나 라이브러리를 단순히 사용하는 것이 아닌 본인이 개발해나갈 수 있는 정말 실력 있는 기술자가 될 수 있습니다.

또한, 이론적 내용을 코드로 어떻게 구현하는지 직접 실습해보고, 공개코드와 실습한 코드를 비교해보면서 논문에 소개된 기술적 내용들이 코드에서는 어떻게 구현되는지 확인하여 향후 논문과 공개코드를 빠르게 이해하여 개발할 수 있는 실력을 늘릴 수 있습니다.

Detection 분야로 직무전환을 희망하거나 이미 Detection 분야에서 직무를 수행하고 있는 경우, 본 강의를 통해서 해당 분야 기술적 이해도가 대폭 향상되며 향후 기술면접에 잘 대비할 수 있습니다.
강의에서는 주로 어떤 내용을 다룰 예정이시고, 어떤 형태로 진행되나요?

본 강의에서는 Object Detection 분야에서 실제 실무에 가장 많이 사용되는 YOLO SOTA급 모델(YOLOv5, v8, v9)을 아주 쉽고 자세하게 설명합니다. 이 강의는 최소한 초급이상의 파이썬 프로그래밍 역량이 필요하며, 기본적인 파이썬의 자료구조(List, dict, tuple 와 indexing) 및 numpy, torch에 대한 사용법을 알고 계신 수강생분들이라면 코드구현 실습에서 전혀 어려움을 느끼지 않으실 거라고 생각합니다.

또한, 24년 2월 CVPR에 게재된 YOLOv9 리뷰를 통해서 Object Detection 분야에서의 최신 트렌드를 파악하고 기술적 인사이트를 얻을 수 있을 뿐만 아니라 기술이해를 바탕으로 실무에 응용해볼 수 있어서 실력을 향상하는 데 매우 큰 도움이 될 것입니다.

해당 강의는 크게 이론 부분과 실습 부분으로 나누어져있습니다. 이론 부분에서는 논문리뷰 및 공개코드에 적용된 기술의 상세한 설명을 다루고 있고, 실습 부분에서는 이론 부분에서 소개했던 기술들을 파이썬코드로 직접 구현해보면서 Object Detection 분야에 대한 전반적인 이해도가 크게 향상될 것입니다.
다른 강의와 어떤 차별점이 있나요?

본 강의에서는 실무에 가장 많이 사용되는 SOTA급 Detection 모델을 이해하기 위한 내용을 다룹니다. 기존 온라인강의는 YOLOv1 이나 v3 수준의 설명 혹은 코드구현이며, 이는 실무에서 사용되는 SOTA급 모델을 고려하면 실무에 필요한 지식과 차이가 있을 것으로 생각됩니다.

또한, 본 강의는 YOLOv5, v8 공개라이브러리의 단순한 활용법이 아니라 이론적 설명 및 데이터처리, 아키텍처 및 손실함수 등 학습코드와 추론코드 구현실습을 포함하고 있고 해당 실습내용을 토대로 향후 실무에 바로 적용해볼 수 있는 참고자료로 유용하게 사용할 수 있습니다.

마지막으로 24년 2월에 나온 따끈한 YOLOv9을 리뷰해보면서 최근 핫한 LLM이나 LMM과 더불어 Detection에서는 어떤 기술들이 적용되고 있는지 트렌드를 선행하여 파악해볼 수 있습니다.
주로 어떤 분야에 있는 분들이 수강 대상에 적합할까요?

Object Detection을 연구개발하는 현업에 계시거나 해당직무로 전환을 희망하시는 분들이 모두 포함됩니다.

이중 YOLOv5, v8에 대한 기술적 이해도를 향상하고 싶으신 분. 그리고 공개된 라이브러리를 그대로 사용하지 않고 코드로 직접 구현해봄으로써 내가 필요한 모델을 직접 설계해보고 학습시켜보면서 향상된 모델을 만드는데 관심이 많은 분께 적합합니다.

YOLOv9 최신모델을 살펴보면서 최근 Detection 분야 트렌드에서 인사이트를 얻고 싶은 분들도 적합합니다.

커리큘럼

꼭 필요한 내용만 담았어요.

총 74개의 커리큘럼

SECTION 1. Object Detection 입문

00:24:49

1-1. Object Detection - 산업분야별 적용사례와 Detection의 기술트렌드

00:06:55

1-2. Image processing vs. Deep learning

00:09:34

1-3. Detection 모델 성능 측정, 라이브러리 및 YOLO 시리즈(v1~v8)별 특징

00:08:20
SECTION 2. Pre & Post-process 소개

01:25:10

2-1. Pre-process - Letterboxing, Box Transformation

00:09:58

2-2. Post-precess - YOLO model output, Confidence filtering, Non-Maximun Suppression(NMS)

00:06:48

2-3. [코드실습] LetterBox 구현하기 (1)

00:15:30

2-4. [코드실습] LetterBox 구현하기 (2)

00:14:46

2-5. [코드실습] Box Transform 구현하기

00:08:43

2-6. [코드실습] Confidence filtering 구현하기

00:13:33

2-7. [코드실습] NMS 구현하기 (cf + nms 합친거 구현)

00:15:52
SECTION 3. Detection 모델의 성능지표 mAP

00:46:11

3-1. Average Precision(AP), COCO API 라이브러리

00:11:31

3-2. AP 계산방법 - Target, Prediction 살펴보기, Precision, Recall 구하기, P-R curve와 AUC 구하기

00:13:13

3-3. [코드실습] COCO API 활용해서 AP 계산하기 (toy 데이터셋 필요)

00:13:14

3-4. [코드실습] API 를 코드에 적용하기 (evaluator 작성)

00:08:13
SECTION 4. Anchor-based Detector, YOLOv5 학습하기

06:29:37

4-1. YOLOv5 Training(1)- 실습데이터셋 소개(toy_dataset, coco128)

00:05:27

4-2. YOLOv5 Training(2)- Bag of Freebies(mosaic, hsv augment, flip, perspective transform, cos lr)

00:27:35

4-3. YOLOv5 Training(3)- YOLOv5 Architecture

00:16:01

4-4. YOLOv5 Training(4)- Auto-Anchor와 K-means clustering

00:08:17

4-5. YOLOv5 Training(5)- Loss function

00:13:52

4-6. YOLOv5 Training(6)- Loss function, YOLOv5 Training Pipeline

00:16:29

4-7. [코드실습] v5 dataset + augmentation 구현하기 (1)

00:23:23

4-8. [코드실습] v5 dataset + augmentation 구현하기 (2)

00:18:58

4-9. [코드실습] v5 dataset + augmentation 구현하기 (3)

00:25:58

4-10. [코드실습] v5 dataset + augmentation 구현하기 (4)

00:20:01

4-11. [코드실습] v5 dataset + augmentation 구현하기 (5)

00:34:26

4-12. [코드실습] YOLOv5 Architecture(N, S, M, L, XL) 구현하기 (1)

00:32:23

4-13. [코드실습] YOLOv5 Architecture(N, S, M, L, XL) 구현하기 (2)

00:22:38

4-14. [코드실습] Auto-Anchor 구현하기 (1)

00:25:31

4-15. [코드실습] Auto-Anchor 구현하기 (2)

00:12:28

4-16. [코드실습] Loss function 구현하기 (1)

00:18:45

4-17. [코드실습] Loss function 구현하기 (2)

00:38:13

4-18. [코드실습] YOLOv5 Training Pipeline 구현하기

00:29:12
SECTION 5. Anchor-based Detector, YOLOv5 성능평가하기

02:15:51

5-1. YOLOv5 Evaluation(1)- Prediction Decoding for mAP

00:08:40

5-2. YOLOv5 Evaluation(2)- Bag of Specials, Genetic Algorithm for hyperparameter search

00:10:12

5-3. [코드실습] AP계산을 위한 Prediction Decoding 처리 구현하기

00:12:31

5-4. [코드실습] YOLOv5 Bag of Specials 구현하기(multi-label NMS)

00:19:46

5-5. [코드실습] YOLOv5 Evaluation Pipeline 구현하기

00:12:52

5-6. [코드실습] YOLOv5 Training with Evaluation together 구현하기 (1)

00:23:50

5-7. [코드실습] YOLOv5 Training with Evaluation together 구현하기 (2)

00:16:06

5-8. [코드실습] YOLOv5 유전알고리즘으로 최적 하이퍼파라미터 탐색하기

00:31:54
SECTION 6. Anchor-based Detector, YOLOv5 추론하기

00:36:52

6-1. YOLOv5 Inference - Prediction Decoding for Inference, YOLOv5 Inference Pipeline

00:07:05

6-2. [코드실습] 객체탐지를 위한 Prediction Decoding 처리 구현하기

00:18:55

6-3. [코드실습] YOLOv5 Inference Pipeline 구현하기

00:10:52
SECTION 7. [실습프로젝트] 차량자율주행 인지기술 구현하기

00:39:11

7-1. [코드실습] 차량 전방카메라영상으로 자율주행 인지기술 구현하기(v5 적용) (1)

00:24:57

7-2. [코드실습] 차량 전방카메라영상으로 자율주행 인지기술 구현하기(v5 적용) (2)

00:14:14
SECTION 8. Anchor-free Detector, YOLOv8 학습하기

04:38:08

8-1. YOLOv8 Training(1) - Bag of Freebies(v5 + closemosaic, linear lr, tal) (1)

00:17:38

8-2. YOLOv8 Training(1) - Bag of Freebies(v5 + closemosaic, linear lr, tal) (2)

00:11:50

8-3. YOLOv8 Training(4)- YOLOv5 Architecture

00:11:14

8-4. YOLOv8 Training(4) - Loss function (+task algined assignment 설명) (1)

00:14:08

8-5. YOLOv8 Training(5) - Loss function (+task algined assignment 설명) (2)

00:12:41

8-6. [코드실습] v8 dataset + augmentation 구현하기 (1)

00:29:43

8-7. [코드실습] v8 dataset + augmentation 구현하기 (2)

00:24:13

8-8. [코드실습] YOLOv8 Architecture(N, S, M, L, XL) 구현하기 (1)

00:24:28

8-9. [코드실습] YOLOv8 Architecture(N, S, M, L, XL) 구현하기 (2)

00:26:26

8-10. [코드실습] YOLOv8 Architecture(N, S, M, L, XL) 구현하기 (3)

00:28:01

8-11. [코드실습] Loss function 구현하기 (1)

00:19:06

8-12. [코드실습] Loss function 구현하기 (2)

00:29:42

8-13. [코드실습] YOLOv8 Training Pipeline 구현하기

00:28:58
Section 9. Anchor-free Detector, YOLOv8 성능평가하기

01:25:06

9-1. YOLOv8 Evaluation(1)- Prediction Decoding for AP

00:08:55

9-2. YOLOv8 Evaluation(2)- Bag of Specials(v5 + decouple head)

00:15:25

9-3. [코드실습] AP계산을 위한 Prediction Decoding 처리 구현하기

00:10:15

9-4. [코드실습] YOLOv8 Bag of Specials 구현하기

00:18:23

9-5. [코드실습] YOLOv8 Evaluation Pipeline 구현하기

00:06:57

9-6. [코드실습] YOLOv8 Training with Evaluation together 구현하기

00:25:11
Section 10. Anchor-free Detector, YOLOv8 추론하기

00:23:53

10-1. YOLOv8 Inference - Prediction Decoding for Inference, YOLOv8 Inference Pipeline

00:08:00

10-2. [코드실습] 객체탐지를 위한 Prediction Decoding 처리 구현하기

00:08:00

10-3. [코드실습] YOLOv8 Inference Pipeline 구현하기

00:07:53
Section 11. [실습프로젝트] MRI 뇌종양 탐지모델 구현하기

00:34:39

11-1. [코드실습] 뇌 MRI 이미지로 악성-악성종양 탐지알고리즘 구현하기(v5, v8 성능비교) (1)

00:17:15

11-2. [코드실습] 뇌 MRI 이미지로 악성-악성종양 탐지알고리즘 구현하기(v5, v8 성능비교) (2)

00:17:24
Section 12. [실습프로젝트] 고속도로 실시간 교통량 분석하기

00:36:08

12-1. [코드실습] 고속도로 CCTV 비디오영상의 실시간 교통량 분석하기(v8 적용) (1)

00:15:52

12-2. [코드실습] 고속도로 CCTV 비디오영상의 실시간 교통량 분석하기(v8 적용) (2)

00:20:16
Section 13. 24년 SOTA YOLO Detector, YOLOv9 리뷰

00:21:02

13-1. YOLOv9 Review(1)- Programmable Gradient Information(PGI)

00:12:24

13-2. YOLOv9 Review(2)- Generalized ELAN(GELAN), Experiment 및 Implementation details

00:08:38
SECTION 14. EOC

00:06:29

14-1. Overview and Summary

00:06:29

커리어 성장으로 가는 길, 러닝스푼즈와 함께 하세요!

지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.

온라인

YOLO SOTA급 모델로 배우는 Object Detection : 자율주행, 의료 프로젝트

YOLO SOTA급 모델로 배우는 Object Detection : 자율주행, 의료 프로젝트

Object Detection 최신 기술 트렌드부터
국내 유일, YOLOv9 논문·기술 리뷰까지!

이 강의를
선택해야 하는 이유

YOLOv5, v8 등 실제 실무에서 사용 중인 YOLO SOTA급 모델 및 YOLOv9 기술 리뷰

YOLOv5 및 v8을 활용한
뇌 종양 탐지, 자율주행 인지 기술 및 실시간 교통량 분석 프로젝트

데이터 처리, 아키텍처, 손실함수 등 내부코드 및 기술 설명에 집중한 코드구현 실습

최고에게
배워보세요.

H