★ 모델 평가:NMS 과정을 통해 YOLO 모델 성능 평가를 하여 최종 분류탐색한다.NMS 과정의 지표들- IoU: 예측된 바운딩 박스와 실제 바운딩 박스가 겹치는 정도- Confidence Score: 바운딩 박스가 정확한지 그리고 그 안에 객체가 존재하는지 평가하는 지표   1. 라이브러리 설치!pip install ultralytics 2. 모델 사용 1) 모델 다운로드 테스크와 맞는 모델 선택이 중요하다model: 모델 구조+ 가중치 설정task: detect, segment, classify, poseYOLO(model='yolo11n.py', task= 'detect')model = YOLO(model='yolo11n.pt', task='detect') 2) 모델 사용 model을 통해 예측 ..

1. 데이터 다운로드train_dataset = datasets.CIFAR10(root="./", train=True, download=True, transform=ToTensor())test_dataset = datasets.CIFAR10(root="./", train=False, download=True, transform=ToTensor())  2. 데이터 이미지 확인n = 150image, label = train_dataset.data[n], train_dataset.targets[n]# 이미지 시각화plt.imshow(image)plt.title(f"Label: {train_dataset.classes[label]}")plt.show()3. 모델링 1) 모델선언 nn.Conv2d(3, 32 k..

1. 데이터 셋 다운로드 train_dataset = datasets.FashionMNIST(root='data', train=True, download=True, transform=ToTensor())test_dataset = datasets.FashionMNIST(root='data', train=False, download=True, transform=ToTensor()) 2. 모델링 1) 모델선언모델이 학습 할 수록 과적합이 일어나서Droupout_rate = 0.5로 적용해보았다. nn.Conv2d(1,32, kernel_size=3, stride=1, padding=1)nn.MaxPool2d(kenel_size=2) 사n_class=10dropout_rate = 0.5model = nn.Seq..

★ input_shape: 분석 단위인 이미지 한장의 크기 픽셀사이즈 채널* 세로 * 가로 확인하기★ 컨볼루션 레이어를 통해 필터로 지역적인 특성을 뽑는 과정★ 너무 많아서 Max pooling Layer로 뽑은 특징을 요약★ Linear 신경망에 연결하기위해서 Flatten을 사용해 Dense Layer에 연결  1. 모델링 1) 모델선언 ※ 커널(필터): 3X3합성곱 연산하고 컨볼루션 feature map 만든다. nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1),예) 필터 32개로 각각 커널을 만드는것우리가 정하는 것이고, 32개 특징을 주고 싶다는 것이다.채널의수: 32[1,28,28] => [32, 28, 28]이된다. ※ Stride: 반지의 제왕 ..