Sims의 문제해결 저장소

왜 heroku는 cv2에서 import가 안되는가....? flask에서 cv2를 import만 해도 오류도 deploy(배포)는 가능하지만, 배포한 사이트를 들어가면, 오류 페이지만 보인다... 나는 cv2를 써야만 하는데 왜 안 되는 건가.. 정말 하루 종일 찾은 끝에 발견한 포스팅... "Deploying your First Opencv Flask Web Application On Heroku" 정말 한줄기 빛 같은 포스팅이었다.. 링크 걸어놓는다. github 코드도 있고 영어 포스팅이지만 따라만 하면 opencv를 heroku에서 오류 없이 사용 가능하다.. https://medium.com/analytics-vidhya/deploying-your-opencv-flask-web-applicat..

안녕하신가. 현재 딥러닝(CNN)을 통해 아이유/수지를 구분하는 모델을 만들고 있는 사람입니다. 필자의 목표는 기존에 아이유/수지 사진을 구분하는 것에서 그쳤지만, 이 모델에 다른 사람들의 사진을 넣는다면 그 사람이 '아이유에 가까운가?' '수지에 가까운가?'를 판단해 줄 수 있는, 서비스 가능한 모델이 될 거라 문득 생각했다. 그러기 위해선 다수의 사람들이 이용할 수 있는 포맷이 필요한데, 가장 흔한 인터넷, 폰이 두 가지가 생각난다. 안드로이드 어플은 배포까지 해 보았지만, 인터넷 웹 사이트는 해보지 않았다. 이참에 웹사이트를 적당히(?) 만들어서 어디서든 접근할 수 있도록 만들어 보고 싶었다. 그러기 위해선 백엔드/ 프런트엔드 부분을 알아야 한다. 프런트 엔드는 HTML / CSS / JavaScr..

지금까지 아이유/수지 대결을 성사시키기 위해 데이터/ 훈련 환경/ 모델까지 거의 모든 것을 준비했다. 이제 남은 건 가장 훌륭한 모델을 뽑아내는 것뿐. 거의 다 왔다. 끝이 보이기 시작한다? 오늘은 딥러닝을 하다 보면 한 번쯤은 볼 수 있는 오버 피팅(Overfitting)을 방지하고 조금이나마 억제하여 훌륭한 모델을 만들 수 있는 방법을 소개하고자 한다. 그럼 여기서 오버 피팅(Overfitting)이란 무엇인가? 간단히 말해 우리가 준비한 훈련 데이터에만 잘 작동하도록 만들어진 모델이다. 다시 말하자면 새로운 이미지를 제공하면 엉뚱하게 예측한다는 소리다. 이 현상을 막기 위해 정규화(L1, L2) / 학습률 조정 / 배치노멀라이즈 / 드롭아웃 / 앙상블 / 데이터 증량 .... 대략 이 정도 있다. ..

안녕하신가. 오늘은 흙수저들도 딥러닝을 할 수 있도록 환경을 만들어 보고자 한다. 여기서 흙수저란 CPU을 사용해서 현재 딥러닝을 학습하는 사람들이라고 생각하면 반드시 따라 해라. 꼭 반드시 해라... 14시간 걸릴 학습을 2~3시간 만에 끝낼 수도 있다. 그러니 반드시 해라. 일단 우리의 인자하신 Google께서 딥러닝을 할 수 있는 환경을 제공해 주신다.(박수) 이름하여 "Colab" 오늘은 Colab을 설정해보기로 하자. 자 일단 다들 구글 아이디가 있다는 전재하에 시작한다. (없다면 회원가입) 1. Google의 '드라이브'로 접속 2. 마우스 우 클릭 후 더 보기 > 연결할 앱 더 보기 클릭 3. google colab 설치 google colab을 검색해서 설치를 진행하시면 오른쪽과 같은 화면..

안녕하신가. 저번에 VGG16을 이용하여 Transfer-learning 전이 학습을 대~~충 봤다. 그 결과 70~85%가 나오는 기염을 토했다.(학습이 잘 된 모델이라곤 안 했다.) 하지만, 딥러닝에선 정확도 뿐만 아니라 그래프의 모양, loss 또한 살펴볼 필요가 있다. 이 그림을 보자. 이 그림은 learning rate에 따른 loss를 말한다. 즉, 여기서 빨간색의 그림과 유사하게 돼야 어느 정도 잘 학습된 모델이라고 볼 수 있고, 여기서 정확도도 따져 과대적 합(overfitting)인지 과소 적합(underfitting)인지 따져야 하지만... 넘어가자. 복잡하다. 여기선 그냥 loss가 빨간색 선처럼 줄어야 좋다고만 알고 있자. 여기서 저번 VGG16으로만 학습한 그래프를 보면 노란색 선..

*주의. 이 글은 Python코드를 기준으로 작성했습니다. 필자는 연예인 사진을 분류하는 딥러닝을 하고 있다. 고로 많은 사진의 연예인 사진이 필요하며, 그 파일의 이름 또한 일정하게 관리해야 하는 경우가 많으므로 이 코드를 찾게 됐다. 분명 필요한 사람들이 있을 것이며 어떻게 사용해야 하는지 또한 설명하고자 한다. import os name ='taeyeon' path = 'C:/Users/sim/Desktop/image/'+ name +'_face/'+name+'_face_close_resize(100x100)_ordered2' file_names = os.listdir(path) i = 0 for file_name in file_names: src = os.path.join(path, file_na..

저번 만든 CNN의 정확도는 60%대 ... 60%면 그냥 눈 가리고 아이유인지 수지인지 찍는 수준에 불과하다고 생각한다. 적어도 80~90% 정도는 나와야 어느 정도 구분할 줄 안다고 생각할 것이다. 정확도를 개선하기 위해 여러 가지 방법이 있다. 가장 기본적인 방법은 CNN을 더 깊고 넓게 쌓는 것. 하지만, 컴퓨터의 사양이 어느 정도 돼야 할 수 있을 것이고, training 시간도 GPU가 아닌 이상 엄청나게 오래 걸릴 것이다. 하지만 필자는 노트북으로 딥러닝을 하고 있다. 즉, GPU/좋은 성능의 컴퓨터가 아니라는 의미이다. 이런 사람들은 어떻게 해야 할까? 제목에도 써 놓았듯 'VGG16' 모델을 사용하는 것이다. 간단히 'VGG16'을 설명해 보자면.... CNN으로 이미지(고양이, 강아지,..

저번엔 티처블 머신을 사용하여 빠르고 간단하며 강력한 모델을 맛봤습니다. 이젠 간단하지만은 않습니다. 하지만 저는 직업도 전문가도 아닌 취미로 하는 것이기에 최대한 간단하게 글을 써보겠습니다. CNN 예제의 대표주자 MNIST, 검색해보시면 손쉽게 누구나 따라 할 수 있습니다. 한번 해보고 오시면 도움이 되겠죠? 자, 만약 MNIST를 해보셨거나, CNN을 검색해보신 분들은 위와 같은 그림을 한 번쯤을 봤을 겁니다. 이걸 보고 있으면 CNN이 어떤 건지는 대강 알지도 모르지만(난 잘 모르겠음), 정작 우리에게 필요한 건 눈으로 보이는 코드라고 생각합니다. 코드로 바로 넘어가죠. #코드1 # 모델 구성 new_model = models.Sequential() # 들어오는 이미지는 100 100 3 / Co..