Deep.I

이미지나 영상에서 객체를 지능적으로 찾기 위해 제안된 객체 탐지 알고리즘은 RCNN 계열과 더불어 SDD와 YOLO 등 다양한 기법으로 파생되고 있습니다. 하지만 아직까지 실제 현업 application 단계에서의 실용성과 효율성 문제, 구현 난이도로 인해 YOLO가 압도적으로 활용되고 있는 것 같습니다. 이번 포스팅에서는 YOLO 학습을 위한 데이터 라벨링 프로그램 하나를 소개하려 합니다. github.com/developer0hye/Yolo_Label developer0hye/Yolo_Label GUI for marking bounded boxes of objects in images for training neural network Yolo v3 and v2 https://github.com/Ale..

데이터 라벨링은 데이터를 가공하는 1차 작업입니다. 아기에게 말을 가르칠 때 사물의 사진을 보며 이름을 하나씩 알려주는 것처럼 AI 모델이 학습할 데이터에 '이것은 사람' '이것은 자동차' '이것은 강아지' 이런식으로 입력해주는것입니다. 여기서 사물의 사진은 입력되는 데이터(Input Data) 이며 이름은 출력으로 목표하는 목표값(Target)이 됩니다. 여기서 목표값을 부여하는 행위를 라벨링 작업이라고 부르며 전체 AI 시스템 구축에 80~90% 이상이 소요된다고 합니다. (원문기사) 실제 양질의 데이터 확보와 높은 신뢰도를 갖는 AI 시스템 구축에 라벨링은 무척 중요합니다. 오늘은 객체 탐지 알고리즘으로 활용하기 위한 라벨링에서 적용되는 몆가지 원칙을 알아보겠습니다. 1. 편향을 막기 위한 빅데이터..