딥러닝 (20) 썸네일형 리스트형 Labeling(라벨링, 레이블링) Tool - 맥(mac)에 labelme 설치 구글창에 'labelme'를 검색하거나 아래의 주소로 들어갑니다. 또는 아래의 주소로 들어갑니다. https://github.com/wkentaro/labelme 들어가서 창을 아래로 내리다보면 'Installation' 란을 볼 수 있습니다. "Pre-build binaries from the release section"을 클릭합니다. 아래의 그림에서 "labelme.dmg" 파일을 다운받아서 설치합니다. 'Labelme.dmg' 파일을 받고, 두 번 클릭하여 실행하면 아래와 같은 아이콘을 볼 수 있습니다. 하지만, 두 번 클릭하여 실행하면 "Labelme"의 개발자를 macOS에서 확인할 수 없습니다." 라는 경고 메시지를 발생시키면서 실행 시킬 수 없습니다. 위의 문제를 해결하기 위해, 아래의 그.. F-measure F-measure는 Precision(정밀도)와 Recall(재현율)의 조화 평균을 의미합니다. 조화 평균은 아래와 같이 속도에 대한 평균을 계산할 때 사용되는 방법입니다. 위의 식에서 a=precision, b=recall로 치환하면 아래와 같은 F-measure를 얻을 수 있습니다. 이를 기하학적으로 표현하면 아래의 그림과 같습니다. F-measure의 값은 Precision과 Recall 사이의 값인데, 두 값 중에서 좀더 작은 쪽으로 치우쳐진 평균값이라고 볼 수 있습니다. 따라서 F-measure는 평균보다는 좀 더 보수적으로 측정값을 도출한다고 볼 수 있습니다. Reference [1] https://sumniya.tistory.com/26 [2] https://wikidocs.net/23088 Precision(정밀도), Recall(재현율) 이번 포스팅에서는 딥러닝에서 성능척도로 사용되는 Precision(정밀도)와 Recall(재현율)에 대해서 말씀드리겠습니다. 성능이라는 것은 정답을 얼마나 잘 맞추는지를 말합니다. 딥러닝이 정답을 잘 맞추는지에 대한 경우의 수는 위의 confusion matrix에 보여주는 것처럼 4가지의 case가 존재합니다. - TP(True Positive: 잘 긍정): 정답을 정답이라고 잘 맞춘 경우 (정답) - FP(False Positive: 잘못 긍정): 오답을 정답이라고 잘못 맞춘 경우 (오답) - FN(False Negative: 잘못 부정): 오답을 정답이라고 잘못 맞춘 경우 (오답) - TN(True Negative: 잘 부정): 오답을 오답이라고 잘 맞춘 경우 (정답) 위의 4가지 경우는 쉽게 정리.. CNN code - your own mnist dataset 이번 포스팅에서는 CNN(Convolutional Neural Network)를 이용해서 your own mnist dataset을 classification하는 코드에 대해 말씀드리도록 하겠습니다. DNN(Deep Neural Network)와 CNN의 가장 큰 차이점은 import한 이미지를 flat하게 1D로 바꾸는지(28x28=784), 아니면 2D(28x28) 이미지를 그대로 사용하는지에 있습니다. 그래서 수정할 코드는 Model을 design하는 부분입니다. Model Design - DNN X = tf.placeholder(tf.float32, [None, 784]) Y = tf.placeholder(tf.float32, [None, num_classes]) keep_prob = tf.pla.. CNN code - your own mnist dataset - Tensorflow API 2개의 포스팅에 걸쳐서 CNN(Convolutional Neural Network)의 코드를 작성하기 위한 Tensorflow API를 소개하고, 이를 기반으로 your own dataset (여기서는 mnist dataset)을 불러와서 classification 하는 코드에 대해 말씀드리도록 하겠습니다. tf.nn.conv2d tf.nn.max_pool tf.nn.avg_pool [ubuntu autostart] Autostart program on JetsonTX2 Update 2019.8.20: 작성 2019.9.15: 포스팅 우리가 JetsonTX2를 사용하는 이유는 딥러닝 알고리즘 및 컴퓨팅 파워가 필요한 알고리즘을 임베디드 보드에서 사용하기 위해서이다. 따라서 우리가 사용하는 임베디드 시스템처럼 전원을 켜면 JetsonTX2에서 코딩한 프로그램들이 자동으로 실행되도록 설정해야 한다. 본 포스팅에서는 JetsonTX2 환경에서 작성한 프로그램이 JetsonTX2에 전원을 주었을 때 자동으로 실행되도록 설정하는 방법에 대해 설명한다. 본 포스팅은 Reference [1]의 과정을 따라 하면서 정리하였다. 1. Ubuntu에서 'startup Applications'를 검색한다. 2. 'Startup Applications'를 클릭하면 아래와 같이 "Startup.. openCV, tqdm, scipy Installation on Jetson TX2 Update 2019.8.20: 작성 2019.9.8: 포스팅 Jetson TX2에 ubuntu와 JacPack을 설치하면 임베디드 보드에서 딥러닝을 구현할 준비가 된 것이다. 이제 본인이 활용하는 딥러닝 프레임워크를 선택하여 설치하고 딥러닝 알고리즘을 구현하면 된다. 본인은 tensor flow를 이용해서 딥러닝 알고리즘을 구현하기 때문에 tensor flow를 설치하였다. 설치 방법은 이전 포스팅을 확인 바란다. 딥러닝 알고리즘 중에서 CNN(Convolutional Neural Network)와 같이 이미지를 데이터로 사용하는 딥러닝을 구현하기 위해서는 opencv의 설치가 필수적이다. 본 포스팅에서는 Jetson TX2에 opencv를 설치하는 과정을 포스팅하고자 한다. 이와 함께 tqdm과 sc.. Tensorflow Installation on Jetson TX2 Update 2019.8.20: 작성 2019.8.29: 링크 및 오류 수정 2019.9.1: 포스팅 Jetson TX2에 ubuntu와 JetPack을 깔았다면 이제 임베디드 시스템에서 딥러닝을 할 준비가 어느정도 된 것이다. 이제부터는 본인이 어떤 프레임워크로 딥러닝을 구동할지 결정하여 프레임워크를 설치하면 된다. 본인은 Tensorflow를 기반으로 딥러닝 알고리즘을 구현하고 있기 때문에 본 포스팅에서는 JetsonTX2에 Tensorflow를 설치하는 방법에 대해 포스팅 하려고 한다. 참고로 JetsonTX2에 ubuntu와 JetPack을 설치하는 방법은 유투브 아래의 링크를 참조하길 바란다. 본인은 ubuntu16.04에 Jetpack 3.3을 설치하였다. https://www.youtube... 이전 1 2 3 다음
