Razelo 기술노트

3일차에 돌린 학습이 6시간에 걸친 끝에 끝마쳤다. weight파일들도 잘 형성되었다. 인식률이 조금 아쉽긴한데 테스트를 진행할 정도가 되었다고 판단하여 테스트를 진행해보았다. 아래는 흑인, 백인, 황인 별로 랜덤 이미지를 부여하여 잘 인식하는지 테스트하였다. 결과는 셋 모두 아주 잘 인식하였다. 다만 백인의 경우 인식률이 조금 떨어지는 결과를 보였다. (내가 맡은 클래스가 백인 클래스였는데 아마 내가 라벨링을 조금 섬세하게 하지 못한 탓인것 같다. 죄송합니다. 팀원님들) 어찌되었든 중간 결과가 잘 나와서 아주 만족하고 이제 4일차에는 조금 더 성능을 끌어올려볼 생각이다.

얼마전 쿼라를 구경하던 도중에 cul de sac이란 용어를 접하게 되었다.  사실 처음 봤을때 영어권이 아닌 사람이 댓글을 쓴줄 알았다... 하하...  그런데 이후에 여러 댓글들 중에서도 Technological cul de sac이라는 용어를 언급하는 것을 보고 이게 뭔가 기술과 관련된 용어라는 것을 알게 되었다.  Technological cul de sac은 바로 기술적인 막다른 길이라는 뜻이다. 즉 흔히 말해서 죽은 기술 혹은 전망이 없는 기술을 논할때 자주 사용하는 용어라고 한다. 그래서 댓글들을 보면 기술적 막다른 길에 있는 테크를 택하지 말라는 이야기들을 자주 한다.  아 그리고 참고로 딱 봐도 알겠지만 영어권에서 나온 용어는 아니다. 프랑스어로 Bottom of stack 이라는 뜻이라..

YOLO를 활용한 프로그램이 3일차에 접어들었다. 3일차인 오늘은 각 팀별로 데이터셋을 만들어보는 시간을 가졌다. 우리 조는 인종을 구분하기 위해 백인, 흑인, 황인의 데이터를 모았다. (사실 중동, 인도와 같은 사진을 섞게 되면 확실하게 원하는 결과를 얻기 힘들어서 아직은 추가하지 않았다. 나중에 조금 더 성능을 개선할때 좀더 디테일하게 구분하기 위해서 추가할 예정이다. 지금 목표는 성능개선이 아니라 아예 결과가 잘 나오는지 안나오는지 자체를 확인하기 위함이기 때문이다. ) 백인의 경우 British, France, Italy, American등의 연관 키워드들로 사람사진만 뽑아서 저장하였다. 황인의 경우 Asian이라고 치면 연관 검색으로 일본인, 중국인, 한국인의 수많은 검색어가 나와서 손쉽게 찾을..

구글은 혁신적인 성과를 낸 엔지니어에게는 일반 엔지니어와는 다른 차별적인 대우를 해준다. 칼리코의 경우 인간영생을 위한 프로젝트로 2047년이 되어야 완제품이 나온다. 즉 일반적인 프로젝트와 다른 기준을 적용하게 된다. 또한 조직운영기법을 통해 목표를 공유하여 부서간 카니발을 막는다. 엔지니어의 신이라고 하는 제프딘이라는 분이 있다. 이분은 조직이 없다. 즉 소속없이 혼자 일하는 분인데, 구글에서는 이렇게 일할 수 있는 환경을 제공해준다. 천재적인 엔지니어는 코딩만 잘하는것이 아니라 굉장히 넓은 분야에 대해 관심을 가지고 있다. 구글의 천재 엔지니어는 어렸을 때 식사를 한 후 어머니와 함께 공원을 산책하며 궁금한 것을 물어보고 대화하고 스스로 공부하는 생활 패턴을 이어왔다고 한다. 그 기억이 자신을 이렇..

교육 프로그램에 참가한지 2일차가 되었다. 1일차에 전반적인 개요와 방법에 대해 설명해보았다면 2일차에는 실제로 어떻게 진행되는지에 대해 알아보았다. 1일차와는 달리 어려움은 없었다. 그리고 실제로 어떻게 인식을 가능하게 하는지에 대해 알 수 있었다. 방법을 요약하면 간단하다. 우선 darknet이 있어야 한다. (깃허브에서 다운받으면 된다. yolo darknet을 치면 알렉세이라는 분의 깃허브가 바로 뜬다. ) 그리고 이미지에서 박스 치기 즉 라벨링을 하기 위한 마킹 툴이 있어야 하는데, Yolo_mark를 사용했다. (이 툴도 알렉세이라는 분의 깃허브에서 다운 받을 수 있다. 실행방법은 해당 디렉토리로 이동한 후에 linux_mark.sh파일을 실행시키면 된다. ) 해당 툴을 사용하여 (리눅스에서 ..

딥러닝은 과연 만능일까? 우선 결론은 딥러닝은 특화된 분야가 따로 있다. 자연어, 이미지, 비디오 데이터이다. 이런 데이터는 아무래도 변수가 굉장히 많기 때문이다. 딥러닝에 특화된 분야를 딥러닝이 아닌 다른 곳에 적용시키면 엄청난 시간이 걸릴 수 밖에 없다. 컴퓨팅파워가 받쳐주기 때문에 딥러닝이 진행되는거다. 뉴럴 네트워크가 이제 하드웨어의 지원으로 가능해졌기 때문이다. 트리모델에 비해서 딥러닝은 하나 하나의 연산은 사실 단순하다. 하지만 많은 양의 연산이 얽혀있다. CPU를 가지고 하면 굉장히 오래 걸리지만 GPU로 진행하면 빠르게 진행될 수 있다. Tabular데이터는? (엑셀같은 데이터 = 변수가 많지 않다. ) 굳이 딥러닝을 써야하나? 라는 의문 만약 GPU를 사용하지 않는다면 부스팅이 더 좋다...

Come to the edge. We might fall. Come to the edge. It's too high! Come to the edge. And they came, and he pushed, and they flew. 그가 말했다. 벼랑 끝으로 오라. 그들이 대답했다. 우린 두렵습니다. 그가 다시 말했다. 벼랑 끝으로 오라. 그들이 왔다. 그는 그들을 밀어버렸다. 그리하여 그들은 날았다. 사람마다 누구나 한계는 존재한다. 하지만 본인의 한계가 어디까지인지 자각하는 순간 그것은 실재하는 한계가 되어 자신의 길을 막아선다. 하지만 어디까지가 한계인지 자각하지 못하고 계속 나아간다면 한계는 계속해서 밀려난다. 자각하면 내 앞으로 다가오는 것이 한계이고 자각하지 않고 끝없이 나아간다면 그만큼 뒤로 ..

서울과학기술대학교에서 진행하는 AI엔지니어 인공지능 고급과정에 참여하게 되었다. YOLO를 이용해서 이미지 인식을 하는 교육과정을 진행하게 되었다. YOLO는 YOU ONLY LOOK ONCE의 약자이다. Object detection에서 많이 사용하는 모델이고 실제로 현업에서도 많이 쓰고 있다고 한다. yolov3~4,5 등등 많은 버전이 나왔지만, 버전이 높아질수록 더 나은 버전인 것이 아니라 그저 장단점이 있을 뿐이다. 처음 yolo를 사용하는 사람은 아래 링크를 따라하면 간단하게 사용해볼 수 있다. https://pjreddie.com/darknet/yolo/ YOLO: Real-Time Object Detection YOLO: Real-Time Object Detection You only lo..

software is eating the world 테크회사가 돈을 많이 벌고 있다. 가장 중요한 것은 개발자이다. 다른 산업군과는 다르게 개발자만 있으면 시장도 창출하고 서비스를 만들 수 있는 산업이다. 즉 개발자가 많이 부족하다. 모든 업종에서 sw전문가가 필요하다. 소프트웨어 회사뿐만 아니라 전 산업에서 필요해졌다. 예전엔 혼자서 다 만들던 시절이 있었는데 이제는 그렇지 않다. 서버 개발자, 프론트, 클라우드, ios 등등 각 직군 별로 다양한 전문가가 필요하다. 즉 sw전문화로 더 다양한 직무가 필요해졌다. 개발자 수요는 계속 늘고 있는데, 그렇다면 개발자 공급을 늘리면 되지 않을까? 중간에 포기하는 사람이 많다. 즉 개발을 배우는 것이 쉽지가 않다. 성향이 갈리는 분야라고 생각한다. 또한 기업이..

언리얼 엔진에서 모바일 AR을 지원한다. ARkit으로 가능하다. https://www.youtube.com/watch?v=_6HqFjmtw90