프로젝트 개요● 4인 팀을 구성해 약 2주간 진행한 팀 프로젝트다. 주제는 알약 이미지 객체 탐지 — 스마트폰으로 알약을 촬영하면 YOLO 모델이 약을 인식하고, 식약처 API를 통해 효능·복용법·주의사항을 보여주는 앱을 만드는 것이었다. ● 단순히 모델 학습으로 끝내는 게 아니라, 실제로 사용자가 쓸 수 있는 앱까지 완성하는 것을 목표로 잡았다. 결과적으로 mAP@0.5 0.9914, F1 Score 0.9948의 모델을 학습시키고, FastAPI 서버와 Flutter 앱을 연결해 실제로 동작하는 서비스를 완성했다. GitHub Link 시연영상 - Youtube Link 내 역할 : PM도 하고 개발도 하고● 프로젝트에서 PM을 맡았다. 처음엔 일정 관리와 업무 분배에 집중했지만, 실제론 매일 직접 ..

문제 풀이from collections import dequedef solution(n): #리스트 앞쪽에 넣기 위해서 deque 선언 res = deque() def recur_124(n) : quo = n // 3 rem = n % 3 #재귀함수 내부에서 res 사용위해 nonlocal nonlocal res #재귀함수 종료 조건 : 3으로 나누다가 몫이 0일때 if n == 0 : return ''.join(res) if rem == 1 : res.appendleft('1') return recur_124(quo) elif rem =..

들어가며알고리즘 문제들을 풀다 보면, 쉬운 문제들은 생각나는 대로 풀면 정답이 맞곤 하지만, 어느 정도 수준이 있는 문제를 풀기 위해서는 구현도 중요하지만 알고리즘 패러다임을 적극적으로 사용하여 시간복잡도를 계산하며 효율적인 알고리즘을 찾는 과정이 더 중요하다는 걸 깨닫게 되곤 한다. 거의 모든 문제에서 사용되는 알고리즘 패러다임을 모아서 정리해 보았다. 1. Brute Force(완전탐색)말 그대로 "다 해보는" 방법이다. 가능한 모든 경우의 수를 탐색해서 정답을 찾는 방식으로, 가장 쉽게 생각해 낼 수 있고 단순하지만 데이터가 커질수록 기하급수적으로 계산에 필요한 시간이 늘어난다는 단점이 있다. When ?● 데이터 크기가 작을 때(n ● 다른 최적화 방법이 떠오르지 않을 때● 정답을 검증하는 용도..

FashionMNIST 데이터셋(2) - Diffusion Model(LDM) 구현이전 코드 / 데이터셋 설명 :https://uj07096.tistory.com/69 [My IT : Codes] 이미지 생성 실험 : FashionMNIST 데이터셋(1) : cDCGAN 모델 조건 추가 방식 비교FashionMNIST 데이터셋 이미지 생성 실험 들어가며 목표 - 모델을 활용하여 FashionMNIST 데이터셋의 각 패션 아이템(예: 티셔츠, 바지, 스니커즈 등)을 조건부로 생성하는 작업을 수행 - 각 클래스에 해uj07096.tistory.com 5. Diffusion Model(LDM)5-1. VAE 구현LDM 모델을 생성하기 위해, 사전학습된 VAE 모델을 가져오려 했지만, 28 x 28사이즈에 맞는..

FashionMNIST 데이터셋 이미지 생성 실험 들어가며 목표 - 모델을 활용하여 FashionMNIST 데이터셋의 각 패션 아이템(예: 티셔츠, 바지, 스니커즈 등)을 조건부로 생성하는 작업을 수행 - 각 클래스에 해당하는 이미지를 생성하는 cGAN (Conditional GAN) 모델을 직접 설계, 학습 사용 데이터셋 : 28 x 28의 이미지의 10개의 클래스를 가지고 있는 FashionMNIST 데이터셋클래스 목록 : - T-shirt/top- Trouser- Pullover- Dress- Coat- Sandal- Shirt- Sneaker- Bag- Ankle boot사용 모델 비교 목표- One-Hot Encoding과 Embedding방식의 성능 차이 비교 - GAN과 LDM의 생성 이미..

배경 FashionMNIST 데이터셋으으로 GAN과 LDM모델을 구현하고 성능을 보는 실험을 하고 있었는데, 이미지의 품질을 보기 위해서 FID를 사용했는데, 문제들이 많이 발생했다. 문제1. FID가 1 아래로 나왔다.GAN모델의 경우 상식적인 FID값이 나왔는데, LDM학습을 하다보니 FID값이 1 아래로 나왔다. 직관적으로 말이 안되는 수치였다. 초기학습단계에는 이미지가 노이즈 수준일텐데, 1아래로 나온다는건 왜 그랬을까 ? 원인 FrechetInceptionDistance(feature=64)로 설정했던 것이 문제였다. feature 수가 너무 작으면 실제 이미지와 생성 이미지의 분포 차이를 제대로 잡아내지 못한다는 것을 알게 됐다. # 문제가 된 코드fid = FrechetInceptionDis..