Revision:

활성화함수 (중간층, 출력층 활용도가 다름!)

• 중간층 활성화함수 역할 : 역치 (활성화/비활성화)
  • Stepfunction -> sigmoid - > relu (오차역전파 진행시 기울기 소실 문제 발생)
  • 출력층 활성화함수 역할: 출력받고싶응 데이터 형태 지정 (units, activation)
    • 회귀: units = 1, activation = 'linear'
    • 이진분류: units = 1 , activation = 'sigmoid'
    • 다중 분류: units = 클래스의 개수, activation = 'softmax'

-- 학습방법 및 평가방법 설정

• 회귀: loss = 'mean_squared_error, metrics = 'mse'
• 이진분류: loss = 'binary_crossentropy' ,metrics = 'accuracy'
• 다중분류: loss = 'categorical_crossentropy', metric = 'accuracy'

• 정답데이터의 형태와 출력층에서의 데이터의 형태를 맞춰줘야함!

1. 정답데이터를 원핫인코딩 (one-hot encoding) - (to_categorical)
2. keras에서 제공해주는 알아서 변경 후 비교 해주는 벙법

• loss = 'sparse_categorical_crossentropy'

1. 활성화함수 (Activation)

2. compile - loss, optimizer, metrics

3. Dense

• dense가 주가되는 모델 - mlp

1. CNN > 2,3차원 데이터 학습하는 모델(이미지+csv)

• Convolution: 특징을 찾는다
• Pooling: 특징이 아닌ㄴ부분 삭제
• Flatten: 데이터를 1 차원으로 만들기
• Dense: 특징들을 통해서 사물 구분하는 규칙 만들기
• Dense는 이미지 학습이 잘 안되는데 CNN에서 Dense를 사용하는 이유 > Conv 층이 2차원의 틎징을 하나의 픽셀에 정리하기때문에 하나의 픽셀이 모양의 특징값을 가지고 있어서 1차원을 학습해도 모양이 가지는 의미를 학습
  conv
• padding

  이미지 크기가 줄어드는걸 막는 방법
  필터를 계산하면 줄어드는 이미지 방지

• stride

  픽셀을 몇개씩 건너뛰면서 계산할건지 지정

pooling
: conv 결과(특징 모아놓은것)을 전부다 다음층으로 넘기는게 아니라
단위 크기(2,2) 중에서 가장 특징의 값이 큰것만 넘긴다
픽셀 하나단위로 계산이 되기때문에 인접한 값들은 보통 같은 특징
2. YOLO > 객체인식모델 (이미지)
3. OpenCV, Mediapipe > 이미지 다루는 라이브러리
4. RNN/LSTM > 시계열데이터(영상, 시간, 음성)
5. Transformer > 자연어처리모델

YOLOv5

1. 코랩 > 학습

• 데이터셋 준비 (라벨링) > Roboflow
• github yolo관련 파일 clone
• yolov5s > 50 epochs
• 최종 가중치 파일 = best.pt

2. jupyter notebook >학습모델 활용

• 강아지/ 고양이 사진에서 얼굴 위치 찾기
• 동영상에서 강아지/고양이 얼굴 찾기
  (yolov5, openCV- 이미지 관련 기능)
  anaconda prompt 명령어

1. 가상환경확인

• conda env list

2. 환경 접속
   activate 환경이름
3. jupyter notebook 열기
   jupyter notebppk

Open CV 사용하기