IHS_digital_nomad

1. Image Segmentation* 컴퓨터 비전 분야에서 이미지나 비디오의 디지털 데이터를 여러 개의 부분 또는 객체로 분할하는 기술* 이미지의 중요한 요소들을 식별하고 각 요소를 개별적으로 분석할 수 있게 하는 것 1. Image Segmentation의 유형Sementic Segmentation이미지의 각 픽셀을 미리 정의된 클래스 레이블 중 하나로 분류예) 자율 주행차로의 도로, 차선, 보행자 등을 식별Instance Segmentation동일한 클래스 내의 서로 다른 개체들을 개별적으로 식별예) 이미지 내에 있는 개별 물체의 수를 파악하고 각각 물체를 식별 및 추적하는 경우Panoptic SegmentationSemantic Segmentation, Instance Segmentation을 ..

1.  이상행동 탐지 데이터 활용데이터셋 : https://www.aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&aihubDataSe=data&dataSetSn=71550 ◼ import               import os        import random        import shutil        import cv2        import glob        import xml.etree.ElementTree as ET        import csv        from tqdm import tqdm   ◼ 경로설정             data_root = '/content/drive/MyDrive/1. KDT/8. ..

🟠. 안전모 데이터셋을 가지고 안전모 탐지하기  데이터셋 ◼ ultralytics 설치            ! pip install ultralytics   ◼ import               import os        import random        import shutil        import yaml        import cv2        import glob        import ultralytics        import matplotlib.pyplot as plt        import xml.etree.ElementTree as ET        from ultralytics import YOLO        from torchvision import tran..

🟠. 폐암데이터 세트를 가지고  yolo v8 을 통해 암환자 찾기 데이터셋: https://www.kaggle.com/datasets/hamdallak/the-iqothnccd-lung-cancer-dataset The IQ-OTH/NCCD lung cancer datasetLung Cancer CT Scans from Iraqi hospitals: Normal, Benign, and Malignant Caseswww.kaggle.com  ◼ import                import os        import random        import shutil        import cv2        import glob        import yaml        import ma..

1. YOLO이미지 분류, 객체 탐지, 인스턴스 분할 작업에 사용할 수 있는 모델  이미지 분류, 객체 탐지, 인스턴스 분할 작업에 사용할 수 있는 모델YOLO는 2015년 Joseph Redmond가 처음 출시한 이후 컴퓨터 비전 커뮤니티에 의해 성장초기버전(1~4)에서의 YOLO는 Redmon가 작성한 커스텀 딥러닝 프레임워크인 Darknet에서 유지YOLOv3 레포를 PyTorch로 작성하여 Ultralytics에서 YOLOv5를 출시유연한 Python 구조 덕분에 YOLOv5는 SOTA 레포가 되었음Ultralytics는 2023년 1월에 YOLOv8을 출시아키텍쳐: https://docs.ultralytics.com/ko/yolov5/tutorials/architecture_description..

1. 객체 탐지 (Object Detection)- 컴퓨터 비전과 이미지 처리와 관련된 컴퓨터 비전 기술로써, 디지털 이미지와 비디오로 특정한 계열의 시맨틱 객체 인스턴스를 감지하는 일- 얼굴 검출, 보행자 검출 등이 포함 데이터확인더보기   🟠.  컴퓨터 비전의 Task 비교Image Classification: 이미지에 있는 객체 범주 목록 생성Single-Object Localization: 이미지에 있는 개체 범주의 한 인스턴스의 위치와 배율을 나타내는 Bounding Box를 생성Object Detection: 각 개체 범주의 모든 인스턴스의 위치와 배율을 나타내는 경계 상자와 함께 이미지에 이쓴 개체 목록을 생성참고 사이트 : https://oniss.tistory.com/39  ◼  모듈 ..

1. 분류 ( Classification )* 분류는 기계 학습과 통계학에서 시스템이 일련의 특성을 기반으로 미리 정의된 여러 범주 또는 클래스 중 하나에 주어진 입력을 할당하도록 훈련되는 과정* 입력 기능과 클래스 레이블 사이의 학습된 관계를 기반으로 샘플의 클래스 레이블을 예측하는 것 1. Binary Classification    * 이진 분류: 데이터 요소를 두 클래스 중 하나로 분류    * 질병 vs 질병이 아님2. Multiclass Classification    * 다중 클래스 분류: 데이터 요소를 여러 클래스 중 하나로 분류    * 고양이, 강아지, 코끼리 ...3. Multi-label Classification    * 다중 레이블 분류 : 단일 데이터 요소가 여러 클래스에 속할..

1. 모폴로지 변환영상의 밝은 영역이나 어두운 영역을 축소 또는 확대 하는 기법 ◼ 모폴로지 처리             cv2.getStructuringElement(구조 요소의 모양, 사이즈)   [ 구조 영상의 모양 ]    1. 직사각형(cv2.MORPH_RECT)    - 가장 단순한 형태로, 모든 요소가 같은 값을 가지는 정사각형 또는 직사각형    - 행창과 침식 연산에서 동일하게 작동    - 객체 가장자리를 따라 명확한 변화를 줄 때 유용    2. 타원형(cv2.MORPH_ELLIPSE)    - 가장자리 부분을 더 부드럽게 처리    - 객체의 둥근 모양을 유지하면서 노이즈를 제거할 때 유용    3. 십자형(cv2.MORPH_CROSS)    - 중심을 기준으로 수직 및 수평 방향으로..

1. 필터링(filtering)커널(filter)이라고 하는 행렬을 정의하고, 이미지 위에서 이동해가며 커널과 겹쳐진 이니지 영역과 연산을 한 후,그 결과값을 연산을 진행한 이미지 픽셀을 대신하여 새로운 이미지를 만드는 연산 ◼ 이미지 필터링 함수                 filter2D(영상, 이미지 깊이, 커널의 크기, 중심점 좌표, 추가될 값, 가장자리 화소 처리) [이미지깊이]* 1: 입력과 동일한 크기의 영상* 커널: 3 * 3, 5 * 5, ..* 가장자리 회소 처리    BORDER_CONSTANT: 000abcdef000    BORDER_REPLICATE: aaaavcdeffff   2. 블러링(Blurring)초점이 맞지 않는 듯 영상을 흐릿하게 하는 작업 ◼ 평균 블러링      ..

1. 마스크 연산inRange() : 영상에서 지젇된 범위 안에 픽셀 선택copyTo() : 마스크 연산을 지원하는 픽셀 값 복사 함수 ◼ 특정 범위의 픽셀 값을 추출             cv2.inRange(영상, min값 (Hue, Saturation, Value) , max값 (Hue, Saturation, Value) ) 예시) cv2.inRange(img, (50, 150, 0), (80, 255, 255))Hue(색조)가 50에서 80 사이,Saturation(채도)가 150에서 255 사이,Value(명도)가 0에서 255 사이의 범위를 지정합니다.  ◼ 특정 HSV 색상 범위를 추출하여 이진 이미지를 생성               import cv2        img = cv2.imre..