티스토리

Sims의 문제해결 저장소

검색하기

블로그 홈

Sims의 문제해결 저장소

sims-solve.tistory.com/m

Sims. 님의 블로그입니다.

구독자: 0

방명록 방문하기

주요 글 목록

[LLM] Fine-Tuning LLM을 하다보면 '모델명-it/chat'과 같은 형식으로 허깅페이스에서 제공하는 모델들을 볼 수 있다.이러한 모델은 chatting 형식으로 fine-tuning하여 실제 모델과 이야기를 주고받는 형식으로 답변을 생성해준다. 이번에는 튜닝의 방식과 대표적인 데이터셋, 튜닝 방법에 대해 정리를 해보고자 한다. SFT - Supervised Fine-Tuning ( 정답이 존재하는 상태에서 진행 - next token prediction )SFT는 두가지로 나뉜다. 1) Full Fine-Tuning모델 전체의 파라미터를 수정하여 학습시킨다. LLM은 대체로 파라미터가 상당히 많으므로 상당한 GPU 자원이 필요한 단점이 있다. 2) Parameter-Efficient Fine-Tuning(PEFT) 모.. 공감수 2 댓글수 0 2025. 2. 6.
[LLM] Tokenizer 기본 Tokenizer 기본 선언 방식from transformers import AutoTokenizertokenizer = AutoTokenizer.from_pretrained(CFG["model"])기존 본인이 사용하고자 하는 모델명, Tokenizer 위치를 파라미터에 넣어 불러오면 끝. 하지만, 위 방식으로 진행하면, 모델따로 토크나이저 따로 불러와 사용해야함.이걸 한번에 할 수 있는게 바로 pipeline 함수. # pipline을 이용하여 추론import transformersfrom transformers import AutoModelForCausalLM ,BitsAndBytesConfig# 4bit quantizationquantization_config = BitsAndBytesConfig.. 공감수 1 댓글수 0 2025. 2. 1.
[LLM] huggingface LLM 기본 내용 ( 양자화 ) https://huggingface.co/docs/transformers/ko/llm_tutorial 대규모 언어 모델로 생성하기LLM 또는 대규모 언어 모델은 텍스트 생성의 핵심 구성 요소입니다. 간단히 말하면, 주어진 입력 텍스트에 대한 다음 단어(정확하게는 토큰)를 예측하기 위해 훈련된 대규모 사전 훈련 변환기 모huggingface.co from transformers import AutoModelForCausalLMmodel = AutoModelForCausalLM.from_pretrained( "mistralai/Mistral-7B-v0.1", device_map="auto", load_in_4bit=True) pretrained_model_name_or_path : huggingf.. 공감수 2 댓글수 0 2025. 1. 30.
[회고] 티스토리 오블완 챌린지 - 완 - 어느덧 티스토리에서 진행한 이벤트 오블완 챌린지가 마지막 날이 됐다..3주라는 시간이 정말 짧게 지나간 것 같다..( 회사 일때문에 그런지도.. ) 일단 2024년이 끝나가는 마당에 회사일에 치이고 퇴근 후 더이상 기운이 안나 추가적인 공부를 거의 안한 것 같다.그때 마침 티스토리에서 챌린지를 한다는 소식에 냉큼 참여했다. 다시 생각해봐도 정말 참여하기 잘 했다. 평소 공부하고 싶었던 것을 해당 챌린지 삼아 공부하여 블로그에 정리해 놓는 아주 좋은 시간이 됐다. 덕분에 deep하게 모델에 대한 이해를 한층 더 강화할 수 있었고, 수정 사항을 발견하여 추후에는 수정하여 commit도 보내볼 참이다. 모델뿐만 아니라 알고리즘 관련한 공부도 많이 진행했다. 취업하고 알고리즘에 관심이 뜸했는데, 챌린지를 참여.. 공감수 0 댓글수 0 2024. 11. 27.
[백준] 최소신장트리 (MST) - 전력난 이번에도 MST 알고리즘 문제를 하나 풀어보고자 한다.https://www.acmicpc.net/problem/6497 해당문제도 MST 관련된 문제여서, 여기까지 풀어본다면 MST에 대한 개념은 충분히 잡을 수 있을 것이라 생각이 든다.해당 문제도 오리지널 MST 알고리즘을 통해서 풀 수 있는 문제다. MST 알고리즘에 관련해서 다시한번 기억해보자. 1. node, edge , value가 각각 주어지는 상황에서, 최소한의 value을 이용하여 모든 노드를 하나의 그래프에 속하도록 만드는 테스크이다.2. edge의 총 개수는 node - 1로 MST를 구성할 수 있다.3. MST는 유니온 파인드 알고리즘을 이용해서 해결할 수 있다. MST 문제를 풀때 위 내용만 기억하고 진행하면 될 것이다. 푸는 순서.. 공감수 0 댓글수 0 2024. 11. 26.
[백준] 최소신장트리 (MST) - 최소 스패닝 트리 지난번 최소신장트리의 개념을 공부했다.최소한의 개념만으로 풀어 볼 수 있는 문제가 바로 아래 링크의 문제이다.https://www.acmicpc.net/problem/1197 최소신장트리는 노드 , 간선 , 간선의 가중치가 주어지는 상황에서 최소한 간선의 가중치를 유지하며 모든 노드가 하나의 그래프에 속해있는 상태를 말한다.위 설명을 봤을때 딱 기억나는것이 한가지 있다. 바로 유니온 파인드..유니온 파인드를 이용하면 MST를 구성할 수 있다.유니온 파인드의 사이클을 점검하는 TASK, 같은 그래프에 속하는지 보는 TASK가 명확히 들어 맞는다.물론 유니온 파인드만 사용하면 풀순없지만 +@를 통해 쉽게 해결할 수있다.MST의 목표는 "최소의 간선 가중치"이다. 두 노드와 간선, 가중치가 주어질 것인데 이때.. 공감수 0 댓글수 0 2024. 11. 25.
최소 신장 트리 정리 - MST , Minimum Spanning Tree 이번에는 최소 신장 트리에 대해 공부하고 정리해보고자 한다. MST란?노드와 간선이 주어지고, 간선간 가중치가 존재했을때, 모든 노드가 간선으로 연결되어 하나의 그래프를 만드는데, 그중 가중치을 가장 낮게 하는 그래프 구조를 말한다.글로만 보면 무슨 의미인지 잘 이해할 수 없다. 아래 사진을 보자. 위처럼 노드,간선, 가중치가 제공되었을때 모든 노드를 연결하는 그래프를 그리는 방법은 아주 다양하게 그릴 수 있다.위처럼 간선을 연결하여 하나의 그래프를 그릴 수 있다.하지만, 가중치의 합은 간선의 가중치 값에 따라 서로 다르게 되고, 그래프당 가중치 합은 서로 다르게 된다. 이중 가중치 합을 가장 낮게 구성하여 모든 노드를 하나의 그래프에 연결하는것이 바로 MST - 최소신장트리 가 되는것이다. 여기서 몇가.. 공감수 1 댓글수 1 2024. 11. 24.
Heap 과 Stack 프로그래밍을 하다보면 Heap과 Stack 자료구조를 볼 수 있는데, 이 둘의 차이점을 알아보고자 정리한다. 1. Stack스텍은 너무나 자주사용하여 익숙한 자료구조일 것이다. FILO(First In Last Out) 형식을 따르며 주로 재귀함수에서 사용한 다는 점도 너무나 잘 알려진 사실이다. 추가적으로 메모리 부분을 살펴봐야 한다.Stack의 경우 정적 메모리에 할당되며, 컴파일 시 해당 크기가 결정되어 고정된 사이즈다. 이러다보니, OverFlow , UnderFlow가 발생할 수 있다. ( 정적 메모리 같은 경우는 로컬 변수가 저장되는 곳이다. 추가로, 함수를 호출하면, Stack구조에 쌓이게 되고, 해당 함수가 끝나면 Stack에서 pop되어 메모리가 자동으로 해제된다.) 스택의 구조는 상당.. 공감수 0 댓글수 0 2024. 11. 23.
[백준] Union & Find - 친구 네트워크 https://www.acmicpc.net/problem/4195 Union-Find는 크게 두가지 테스크를 진행 할 수 있다고 언급을 했다.1. Cycle 여부 확인2. 동일 그래프 소속 여부 크게 두가지를 알 수 있는데 지난번 테스크는 사이클 여부를 체크하는 문제를 풀어봤다.이번에는 동일 그래프에 속하는지 판단 + @로 조금 다른 find를 하는 문제이다. 이번 알고리즘은 두 사람의 이름이 "A B"와 같이 주어지면, A와 B는 친구 네트워크가 생성된다는 의미이다.이렇게 되면 단순하게 노드를 연결하는 방법(Union)이 된다. 즉, Union 방식으로 그래프를 생성해 나가면 된다. 하지만 한가지 다른점은 Find가 친구관계가 input으로 들어왔을때, 해당 그래프는 몇명의 친구와 연관이 있는지 바로바.. 공감수 1 댓글수 1 2024. 11. 22.
[백준] Union & Find - 사이클 게임 지난번 유니온파인드 개념에 대해 알아보았다. 각 노드들을 병합시켜 가리키고 있는 root-node로 업데이트를 진행시키는 방법이었다.그 후 병합된 정보를 바탕으로 find을 찾아 같은 그래프에 속해있는지, 사이클이 있는지 살펴 볼 수 있다고 하였다. 그럼 적용가능한 문제를 하나 풀어보고자 한다.https://www.acmicpc.net/problem/20040 '백준'사이트에 있는 '사이클 게임' 문제이다.문제를 간단하게 정리해보면, 노드간 간선을 하나씩 그리는 게임을 하게 되는데, 진행하다보면 어느순간에 cycle이 생기는 순간이 생길것이다. 이걸 판단해 줄 수 있는 프로그램을 만들어 달라는 것이다. 정확히 유니온 파인드 알고리즘만 알고 있으면 풀 수 있는 문제다. 이 문제의 핵심은 Find에 존재한다.. 공감수 0 댓글수 0 2024. 11. 21.
Union & Find - 이론 알고리즘 Union & Find 알고리즘에 관해서 정리하고자 한다.알고리즘 이름 그래도 합치고, 찾는 알고리즘이다. 대개 이 알고리즘은 노드별 연결이 되어있을때, 사이클이 존재하는가를 찾는데 많이 사용된다. 위 그림처럼 노드와 간선이 존재한다고 했을때, 해당 그래프에서 사이클이 존재하는가 아닌가를 찾아낼 수 있다.사람의 눈으로 보면 간단하게 1->2->5->1의 사이클이 보이지만 알고리즘으로는 어떻게 알게되는지 알아보자. 위와같은 과정을 거쳐 최종적으로는 모든 노드의 root는 1에 연결되어있는 결과를 얻을 수 있다. 천천히 살펴보면 1. (1-2)의 경우, 간선으로 연결되어 있어서 2의 root-node값을 1의 root-node로 바꿔준다.(여기서 1의 root-node로 변경해준 이유는 1과 .. 공감수 0 댓글수 0 2024. 11. 20.
YOLOv11 이해하기 (4) - Loss https://sims-solve.tistory.com/133 YOLOv11 이해하기 (3) - Headhttps://sims-solve.tistory.com/131 YOLOv11 이해하기 (2) - Neckhttps://sims-solve.tistory.com/130 YOLOv11 이해하기 (1) - Backboneyolov11은 Backbone + neck + head 총 3가지로 나눠져 있다고 한다. ( backbone + head 로만 나누기도 한sims-solve.tistory.com 이전 포스팅에서 Head 부분까지 어떻게 연산을 진행하는지 살펴봤고, 이제 학습을 위해 어떤 식으로 Loss를 구하는지 살펴볼 차례다.Yolov11에 대한 글을 쓰고 있지만, 가장 많이 언급하고 있는게 Yolov8.. 공감수 0 댓글수 0 2024. 11. 19.
YOLOv11 이해하기 (3) - Head https://sims-solve.tistory.com/131 YOLOv11 이해하기 (2) - Neckhttps://sims-solve.tistory.com/130 YOLOv11 이해하기 (1) - Backboneyolov11은 Backbone + neck + head 총 3가지로 나눠져 있다고 한다. ( backbone + head 로만 나누기도 한다.)이중, 이번에는 Backbone을 살펴보고자 한다.yolov1sims-solve.tistory.com지금까지 backbone, neck 부분을 살펴봤고, 이번에는 마지막으로 Head 부분을 살펴보고자 한다.yolo의 가장 큰 특징은 3개의 서로다른 size의 shape을 가지는 detection을 이용하여, big , middle, small obje.. 공감수 0 댓글수 0 2024. 11. 18.
What is Attention?(어텐션 이란?) 딥러닝을 공부하다보면 언젠가 마주칠 수 밖에 없는 기법이 존재한다.그중 하나가 Attemtion이다. Attention의 등장으로 자연어 테스크의 성능이 월등히 올라갔고, 그 영향으로 분야를 가리지 않고 적용하며 모델 성능 개선의 효과를 볼 수 있었다.지금의 chatgpt도 Attention기법이 없었다면 현재 존재하지 않았을 수도 있다. 이렇게 딥러닝에 중대한 영향력을 미치고 있는 해당 기법을 도저히 그냥 넘어갈 순 없다.간단하게라도 살펴보고자 넘어간다.Yolov11에서도 Attention 기법이 적용된 블럭이 있으니 해당 내용은 꼭 한번쯤 보길 권한다. 위 내용이 Attention의 내용 전부다. 물론 논문에서 표현하고자 하는 심오한 내용은 단시간에 알아차리기 힘드니 기본이 되는 내용을 지속적으로 보.. 공감수 0 댓글수 0 2024. 11. 17.
YOLOv11 이해하기 (2) - Neck https://sims-solve.tistory.com/130 YOLOv11 이해하기 (1) - Backboneyolov11은 Backbone + neck + head 총 3가지로 나눠져 있다고 한다. ( backbone + head 로만 나누기도 한다.)이중, 이번에는 Backbone을 살펴보고자 한다.yolov11의 Backbone은 형태가 yolov8의 아키텍쳐와 거의 똑같다sims-solve.tistory.com지난번 글에는 yolov11의 BackBone의 구성을 살펴보았다.계속 언급하지만, yolov8과 크게 다르지 않으며, 내부 블럭을 변경하고 추가하여 속도를 개선하고, 성능은 유지했다고 보면 된다. 여기서는 Neck이라고 따로 표현했지만, 사실상 yolov8의 head라고 표현된 부분과 크.. 공감수 0 댓글수 0 2024. 11. 16.
YOLOv11 이해하기 (1) - Backbone yolov11은 Backbone + neck + head 총 3가지로 나눠져 있다고 한다. ( backbone + head 로만 나누기도 한다.)이중, 이번에는 Backbone을 살펴보고자 한다.yolov11의 Backbone은 형태가 yolov8의 아키텍쳐와 거의 똑같다고 보면 된다. 하지만 중간중간 특정 Block으로 바뀌면서 yolov11로 업그레이드 됐다고 보면 된다.https://sims-solve.tistory.com/122 YOLOv8 이해하기 (1) - Backbone디텍션 테스크를 하다보면 YOLO를 한번쯤은 들어본적이 있을 것이다.물론 YOLO가 너무 유명해서 관심이 없어도 한번쯤은 들어봤을 것이다.. 디텍션에는 2-stage / 1-stage 두개로 나뉘는데, YOLO는 1-stags.. 공감수 0 댓글수 2 2024. 11. 15.
YOLOv11 - C2PSA Block https://sims-solve.tistory.com/128 YOLOv11 - C3K2 BlockYOLOv8과 v11는 여러개 차이점이 있지만, 그중에서도 이번에는 C3K2 Block의 구조와 output shape을 살펴볼 것이다. 아래 이미지가 C3K2 과정을 도식화 한 이미지이다.C3K2도 C2f와 유사한 형태를 가지고sims-solve.tistory.com지난번에는 YOLOv8과 달라진 부분인 C3K2 Block에 대해 알아보았다.이번에는 연장선으로 모델 중 한번만 거치는 블럭이지만, v11에 추가된 Block인 C2PSA를 살펴보도록 하겠다. 일단, C2PSA Block을 들어가기 전 input shape은 (1,256,8,8) 로 가정하겠다.위는 실제 C2PSA 코드이다. 어텐션 메커니즘을.. 공감수 0 댓글수 0 2024. 11. 14.
YOLOv11 - C3K2 Block YOLOv8과 v11는 여러개 차이점이 있지만, 그중에서도 이번에는 C3K2 Block의 구조와 output shape을 살펴볼 것이다. 아래 이미지가 C3K2 과정을 도식화 한 이미지이다.C3K2도 C2f와 유사한 형태를 가지고 있다. 하지만 C2f와 다르게 Channel Split하기전에 추가적으로 Conv를 수행해주는 모습을 볼 수 있다.그외에는 C2f와 같은 과정을 거치는 것을 볼 수 있다. 실제로, 코드상으로 봐도 C3K2는 C2f를 상속받는 걸 볼 수 있다. 즉, 연산과정은 C2f와 같은것을 볼 수 있다. 이처럼 변경사항은 굉장히 간단하다는 것을 볼 수 있었다.다음에는 새로 추가된 블럭 C2PSA 블럭을 한번 살펴보고자 한다. 공감수 0 댓글수 0 2024. 11. 13.
YOLOv11 이해하기 (0) - 전체적인 내용 https://sims-solve.tistory.com/126 YOLOv8 이해하기 (4) - Losshttps://sims-solve.tistory.com/125 YOLOv8 이해하기 (3) - Detection output shapehttps://sims-solve.tistory.com/123 YOLOv8 이해하기 (2) - Headhttps://sims-solve.tistory.com/122 YOLOv8 이해하기 (1) - Backbone디텍션 테스크를 하다보면sims-solve.tistory.com이전까지 YOLOv8에 대해 알아보는 시간을 가져보았다. 최근 YOLOv11이 배포되었고, ultralytics에서 정식으로 소개를 하고있다. https://docs.ultralytics.com/mode.. 공감수 0 댓글수 0 2024. 11. 12.
YOLOv8 이해하기 (4) - Loss https://sims-solve.tistory.com/125 YOLOv8 이해하기 (3) - Detection output shapehttps://sims-solve.tistory.com/123 YOLOv8 이해하기 (2) - Headhttps://sims-solve.tistory.com/122 YOLOv8 이해하기 (1) - Backbone디텍션 테스크를 하다보면 YOLO를 한번쯤은 들어본적이 있을 것이다.물론 YOLO가 너무 유명sims-solve.tistory.com지금까지 모델의 구조와 최종 output을 살펴보았다. 결국 Detection을 모두 진행하면 (batch, ClassNum + 4(xywh) , 8400(Gird cell 수 )) 가 나오는 것을 알 수 있었다.해당 정보를 바탕으로 .. 공감수 0 댓글수 0 2024. 11. 11.
YOLOv8 이해하기 (3) - Detection output shape https://sims-solve.tistory.com/123 YOLOv8 이해하기 (2) - Headhttps://sims-solve.tistory.com/122 YOLOv8 이해하기 (1) - Backbone디텍션 테스크를 하다보면 YOLO를 한번쯤은 들어본적이 있을 것이다.물론 YOLO가 너무 유명해서 관심이 없어도 한번쯤은 들어봤을 것이다.. sims-solve.tistory.comYOLOv8의 head부분에서 Detection을 지나면 각각 어떤 shape의 결과물이 나오는지 살펴보았다.이 3개의 서로다른 size의 grid cell로 나눈것을 합쳐서 최종적으로 Loss를 구하기 위한 형태로 변경하는 과정이 더 필요하다. 최종적으로 어떤 형태로 output이 나오는지 살펴보고, 어떤 의미를 가지.. 공감수 0 댓글수 0 2024. 11. 10.
LabelImg - Draw Bbox Tool 딥러닝 분야는 다양한 분야가 있지만 그중에 비젼분야 중 Detection 분야는 특정 객체를 바운딩박스로 표현해 주기때문에 시각적인 효과로 인해 엄청나게 큰 인상을 남길 수 있다.하지만 딥러닝은 언제나 그렇듯 가장 처음 준비해야 할 것은 데이터라는 것을 알 수있을 것이다. 비젼 Classification의 경우 원하는 이미지를 크롤링, 다운로드 등 다양한 방법으로 수집만 하면 되지만,디텍션같은 경우는 학습하고자 하는 객체의 Bbox(바운딩 박스)가 필요하여 사람이 수작업으로 표시해줘야 하는 경우가 많다. 즉, 디텍션 테스크를 하면 때놓은 수 없는것이 Bbox 라벨링 작업이다. 시중에 라벨링을 전문적으로 처리하는 회사는 자체적으로 웹상 툴을 제공하여 크라우드워커에게 제공을 해주만,개인적인 프로젝트나, 자체.. 공감수 1 댓글수 1 2024. 11. 9.
YOLOv8 이해하기 (2) - Head https://sims-solve.tistory.com/122 YOLOv8 이해하기 (1) - Backbone디텍션 테스크를 하다보면 YOLO를 한번쯤은 들어본적이 있을 것이다.물론 YOLO가 너무 유명해서 관심이 없어도 한번쯤은 들어봤을 것이다.. 디텍션에는 2-stage / 1-stage 두개로 나뉘는데, YOLO는 1-stagsims-solve.tistory.com 이전까지는 YOLOv8의 BackBone이 어떻게 돌아가는지 코드를 디버깅해보고, 손으로 input image의 shape의 변화를 작성해 봤다. BackBone은 이미지의 특성을 추출하는 부분으로, 다수의 feature map을 만드는 역할을 해준다.이제, 생성된 Feature 맵을 이용하여 Detection에서 필요로 하는 Bbox의.. 공감수 0 댓글수 0 2024. 11. 8.
YOLOv8 이해하기 (1) - Backbone 디텍션 테스크를 하다보면 YOLO를 한번쯤은 들어본적이 있을 것이다.물론 YOLO가 너무 유명해서 관심이 없어도 한번쯤은 들어봤을 것이다.. 디텍션에는 2-stage / 1-stage 두개로 나뉘는데, YOLO는 1-stage로 bbox, classification 두개를 한번에 하는 모델 구조를 말한다.(반대로 2-stage는 localizaion 과 classification을 다른 두개의 모델을 이용하여 예측하게 된다. ) 해당 포스팅은 realtime detection의 가장 큰 부분을 차지하는 YOLO에 대해 알아보고, 특히 v8에 대해 정리하고자 한다. 실질적으로 ultralytics가 배포한 yolov8n의 모델은 어떻게 구성되어있는지 살펴보고, code가 어떻게 구성되어 있는지도 공부해보.. 공감수 1 댓글수 0 2024. 11. 7.
<작심삼주 오블완 챌린지>를 소개합니다. 회사일을 하면서 공부한 내용을 기록하는걸 하지않았는데 티스토리에서 위와같은 이벤트를 진행합니다.이 이벤트는 3주동안 매일 블로그에 글을 쓰고 글력을 올리고 이벤트도 참여하는 일석이조의 이벤트입니다! 이벤트 참여 상품도 빠방하니 하고자 하는 의지가 생기네요! 마침 초심으로 돌아가보고자 티스토리에 글을 다시 업로드 하려고 했는데 타이밍이 아주 좋습니다!필자도 3주간 빠지지 않고 열심히 기술 블로그 글을 작성해보겠습니다! https://www.tistory.com/event/write-challenge-2024 작심삼주 오블완 챌린지오늘 블로그 완료! 21일 동안 매일 블로그에 글 쓰고 글력을 키워보세요.www.tistory.com 공감수 4 댓글수 3 2024. 11. 6.
Albumentations Bbox 변환 (feat. colab) **Albumentations에서 제공해주는 colab를 기반으로 진행했습니다.https://colab.research.google.com/github/albumentations-team/albumentations_examples/blob/main/notebooks/example_bboxes.ipynb#scrollTo=VwRBn5HRj5H5 Google Colab NotebookRun, share, and edit Python notebookscolab.research.google.com https://albumentations.ai/docs/getting_started/bounding_boxes_augmentation/ Albumentations Documentation - Bounding boxes .. 공감수 6 댓글수 2 2024. 11. 6.
[Deep Learning] YOLOv2 정리 - Anchor 적용 지난번 포스팅은 YOLO의 기반이 되는 최초의 YOLO를 정리하였다.혹시 YOLOv1을 아직 모른다면, 최소한 한번쯤은 학습을 하고 v2,3,4,5.... 다음 step의 모델들을 보는게 좋다.이유는 YOLOv1이 전체적인 YOLO의 틀이며 next step으로 나온 버전들은 YOLOv1을 기반으로 개선작업을 통해 스피드, 정확도를 높힌 YOLO 모델이기 때문에 Base Model이 되는 YOLOv1은 꼭 살펴보길 바란다.https://sims-solve.tistory.com/118 [Deep Learning] YOLOv1 정리 - YOLO의 시작해당 포스팅은 YOLO의 가장 기초가 되는 V1을 정리하고자 합니다. YOLO의 관심을 가지고 살펴본 분들은 현재 기준 v10까지 나온걸 알고 있을겁니다.그리.. 공감수 0 댓글수 0 2024. 7. 15.
[Deep Learning] YOLOv1 정리 - YOLO의 시작 해당 포스팅은 YOLO의 가장 기초가 되는 V1을 정리하고자 합니다. YOLO의 관심을 가지고 살펴본 분들은 현재 기준 v10까지 나온걸 알고 있을겁니다.그리고, YOLO가 object detecting, segmentation 등 테스크를 수행 할 수 있다는 것도 알고 있을겁니다.여기서는 Detecting을 한번 살펴볼까 합니다. v10까지 나왔지만, v1을 이야기 하는건 YOLO의 기본을 알고 변경되는 사항들을 아는것이 좋다고 생각해서 입니다.해당 포스팅은 해당 유튜브 영상을 참고하여 작성하였습니다https://www.youtube.com/watch?v=zgbPj4lSc58&t=765s YOLO는 실시간으로 사진에서 object(객체)를 인식하여 위치, Class를 분류해주는 모델이다.기존 RCNN.. 공감수 0 댓글수 0 2024. 7. 7.
[C/C++] Static Variable ( 정적 변수 ) C/C++ 코딩하다 보니 Static 변수가 나오는 것을 알 수 있었다.해당 변수는 어떤 역할을 하는 것일까? 일단, '정적'이라는 말은 '동적'이라는 단어와 반대가 되고, 뜻으로는 한번 정하면 변하지 않는 것.여기서 중요한게 '한번' 이다. 다들 알다시피 C/C++에서 지역변수, 전역변수가 존재하는 것은 알것이다.정적변수는 지역변수 + 전역변수를 합쳐놓은 것이다. 1. 지역변수 처럼 선언된 Block에서 실행됨2. 전역변수 처럼 '한번'만 초기화됨 예를 한번 살펴보자 위 코드를 살펴보면, local함수에 있는 count는 지역변수이기때문에 local 함수를 불러올때마다 1로 초기화 된다. 반면에 staticVar의 count는 static 변수이기때문에 위에서 말했던 것처럼, 전역변수처럼 한번만 초기.. 공감수 0 댓글수 0 2024. 7. 2.
[Windows] C 언어 설정 - vscode AI 개발을 하면서, 서비스 측면에서 속도 향상을 위하여 C/C++로 코드를 바꿔야 하는 상황이 발생하여 C/C++ 개발 환경부터 정리하고자 한다. 예전부터 Visual Studio를 이용하여 C/C++ 코딩을 많이 한다고 한다. 하지만 한가지 중요한 제약사항이 존재한다.Visual Studio는 Window환경에서 코딩을 할때 주로 지원을 한다.위 사진에서 보듯 Studio는 윈도우 표시만 되어있는것을 확인하였다. 문제는 AI를 개발할 컴퓨터는 리눅스 환경이고 해당 컴퓨터에 GPU가 달려있어 굳이 윈도우 환경에서 개발을 진행해야겠다는 필요성을 못느꼈다. 대안으로, vscode를 사용하여 어느 환경에서도 C/C++를 코딩할 수 있도록 환경설정 하는 방법을 정리하고자 한다. 현재 포스팅은 Window환경에.. 공감수 2 댓글수 4 2024. 7. 2.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.