파이톨치

1. HTTP란 무엇인가?정의HTTP는 인터넷 세상의 언어라고 생각하면 돼요. 클라이언트(요청하는 사람, 예: 배달 앱)와 서버(응답하는 사람, 예: 가게)가 서로 대화할 수 있게 도와주는 규칙입니다.예시로 이해하기클라이언트: "저는 피자를 주문하고 싶어요!" (HTTP 요청)서버: "알겠습니다! 피자 준비 중입니다." (HTTP 응답)피자가 준비되면 서버가 응답을 보내요: "피자 배달 완료! 🍕"특징비연결성: 배달이 끝나면 연결을 끊습니다. 배달 앱과 가게가 계속 연결되어 있진 않아요.무상태성: 가게는 “누가 예전에 피자를 시켰는지” 기억하지 않아요. 매번 새로 주문해야 합니다.2. REST API란 무엇인가?정의REST(Representational State Transfer) API는 HTTP를 ..

보호되어 있는 글입니다.

Segmentation 오답노트Pixel-Wise Classification이는 이미지를 픽셀 단위로 분류하는 작업이다. 한 픽셀이 어떤 클래스에 들어가는지 예측하는 것이다. 대표적으로 세그멘테이션이 이러한 Pixel-wise classification으로 볼 수 있다. 대표적으로 FCN 모델이나 U-NET 모델이 있다. CNN 파라미터 계산 및 Stride의 영향생각보다 계산을 하는 상황이 있을 수도 있고, 전문가라고 한다면 이 정도는 가볍게 계산할 수 있어야 한다. output의 size는 kernel_size, stride, padding으로 계산이 된다. kernel_size는 빼주고, padding은 2곱해서 더해준다. stride로 나누어 주고 1을 더해주면 된다.  Run-Length-Enc..

모델 학습에서 일관된 실험 관리와 성능 향상을 위해 고려해야 할 중요한 요소들을 정리했습니다. 이 글에서는 seed 고정, 실험 기록, k-fold와 augmentation, 그리고 TTA 활용법 등 효과적인 실험 관리와 모델 최적화 전략을 다룹니다. 1. Seed 고정: 실험의 재현성을 보장머신러닝 실험에서 가장 중요한 원칙 중 하나는 **재현성(reproducibility)**입니다. 모델 학습에서 발생할 수 있는 난수를 제어하기 위해 seed 값을 고정해야 합니다. 이를 통해 학습 과정에서 동일한 초기값으로 시작하여 결과를 비교 분석할 수 있습니다.import torchimport numpy as npimport randomdef set_seed(seed: int): torch.manual_s..

지금까지는 라이브러리를 사용하지 않고, 파이토치만으로 구현했다. 하지만 그렇게 하면 시간이 많이 들고, backbone 모델을 갈아끼울 때 마다 코드를 수정해주어야 하는 번거로움이 생기게 된다. 이러한 불편한 점을 방지하기 위해서 smp 와 같은 라이브러리를 사용하여 시간을 단축시킬 수 있다. 하지만, 그럼에도 데이터셋과 같은 클래스들을 우리가 작성해주어야 한다는 점은 잊지 말자. 왜냐하면 우리 폴더의 경로 등을 라이브러리가 알 수 없을 뿐만 아니라, 우리가 원하는 입출력을 위해서는 데이터셋 클래스의 __getitem__ 내부 함수를 작성해주어 데이터로더에 넣어주어야 한다. 라이브러리를 사용하면 특이한 점은 model(images)를 했을 떄, 곧바로 출력값이 나오는 것이 아니라 dict 형태로 나오게 ..

U-Net생긴 것부터 U자 모양으로 생긴 모델이다. 이름은  u-net이라고 하며 데이터를 축소시켰다가 up-sampling하면서 키운다. 의료 분야에서 효과적이라고 알려져있을뿐만 아니라, 일반적인 segmentation에서도 효과적이라고 한다. 인코더의 층을 디코더의 층에 concatenate 해주게 된다. 일종의 skip-connection이다.  resolution 크기가 안 맞는 경우에는 crop을 해서 맞추어준다.  단순화된 구조를 보면 다음과 같다.  중간에 있는 Conv 블록은 다음과 같이 구성된다.def CBR2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1, bias = True): return nn.Sequential(..

Semantic Segmentation Overviewsegmantic segmentaion이란 의미론적인 분할로 직역된다. 이는 픽셀 단위로 이 픽셀이 어떤 클래스에 속할지 판단하는 문제이다. 예시는 아래 그림과 같다. 이미지가 픽셀로 들어가면 그 픽셀이 어떤 클래스에 속할지 예측한다. 클래스만 예측하면 Semantic Segmantation 이라 하고, 클래스 별 객체까지 구분하면 Instance Segmentation이라고 한다. 우리가 다루어 볼 것은 클래스만 예측하는 task이다. 이러한 의미론적인 분할은 많은 분야에서 활용될 수 있고, 우리가 집중적으로 볼 것은 이것을 의료분야에 어떻게 활용하는가이다. 다음과 같은 사람 손에 대한 x-ray 이미지가 있을 떄, 각각의 뼈를 예측하는 모델을 만들..

1. FCN의 한계점1. 객체의 크기가 크거나 작은 경우 예측을 잘 하지 못하는 문제큰 Object의 경우 지역적인 정보만으로 예측 • 버스의 앞 부분 범퍼는 버스로 예측하지만, 유리창에 비친 자전거를 보고 자전거로 인식하는 문제 발생하기도 함 • 같은 Object여도 다르게 labeling • 작은 Object가 무시되는 문제가 있음2. Object의 디테일한 모습이 사라지는 문제 발생Deconvolution 절차가 간단해 경계를 학습하기 어려움 DilatedNetArchitecture – DilatedNet (Only Front-End Module) DilatedNet(또는 확장 합성곱 신경망)의 주요 특징과 이점을 설명하겠습니다: 수용 영역(Receptive Field) 확장   일반 CNN은 po..