분류 전체보기 271

MediaPipe의 인터랙티브 세분화 기능은 사용자가 이미지 내의 특정 지점을 클릭하면 해당 위치를 중심으로 객체의 경계를 추정하여 분할 마스크를 생성하는 기능입니다. 이 기능은 단일 이미지, 비디오 파일 또는 실시간 비디오 스트림에서 작동하며, 선택된 객체를 강조 표시하거나 배경을 흐리게 처리하는 등의 효과를 적용할 수 있습니다 MediaPipe Interactive Image Segmenter 사용 : 코드 예시 목차 1. Interactive Image Segmenter 개요 2. Interactive Image Segmenter 구조 3. MagicTouch 모델 4. 예시 코드 기본 구조 5. 예시 1 : 배경은 흐리게, 객체만 선명 6. 예시 2 : 객체를 잘라 배경에 붙여넣기 7. 예시..

MediaPipe의 Hair Segmenter를 활용하면 이미지 속 머리카락을 감지하여 자연스러운 색상 변경 효과를 구현할 수 있습니다.이 글에서는 머리카락을 분리한 뒤 3가지 방식으로 염색 효과를 테스트하며, 가장 자연스럽고 실용적인 리컬러링 기법을 비교합니다. MediaPipe Hair Segmenter로 머리카락 염색 효과 테스트 목차 1. Hair Segmenter 개요 2. LUT란 무엇인가? 3. Hair Segmentation 설정 및 실행 4. 하드 마스크 기반 HSV 색상 변경 5. RGB 소프트 블렌딩(마스크 그대로 사용) 6. RGB 소프트 블렌딩 + 마스크 Blur 관련 글 링크 1. Hair Segmenter 개요머리카락 염색 효과를 시뮬레이션하려면, 먼저 머리카락 영역을 정확..

VSCode의 Remote - SSH 확장을 활용하여 Ubuntu 24.04 서버에 원격 접속하고 Python 개발 환경을 구성하는 방법을 소개합니다. VSCode Remote - SSH로 Python 원격 개발하기 목차 1. Remote - SSH란? 2. Ubuntu 24.04 서버 준비 3. VSCode에 Remote - SSH 확장설치 4. SSH 연결 설정 및 서버 접속 5. Python 프로젝트 생성 및 코드 실행 예제 6. .vscode-server 란? 관련 글 링크 1. Remote - SSH란?Remote - SSH는 Visual Studio Code(이하 VSCode)의 확장 기능입니다.로컬 컴퓨터에서 VSCode를 실행한 상태에서, 원격 Linux 서버에 SSH를 통해 연결하고 ..

Ubuntu 24.04에서 Python 포터블 버전 3개를 설치하고 사용하는 방법을 소개합니다.또한 apt를 이용한 설치 방법과 비교하여, 각 방식의 장단점도 함께 정리했습니다. Ubuntu 24.04 에서 여러 버전 Python 설치하기: Portable 목차 1. apt 설치 vs 포터블(Portable) 설치 비교 2. apt를 이용한 Python 설치 방법 3. Python 여러 버전 다운로드 및 설치 관련 글 링크 1. apt 설치 vs 포터블(Portable) 설치 비교포터블 Python은 시스템에 설치하지 않고, 압축 해제 또는 별도 디렉토리에 설치 후 바로 실행 가능한 Python입니다.시스템에 영향을 주지 않으며, 여러 버전을 병렬로 설치할 수 있다는 것이 큰 장점입니다.항목apt ..

Ubuntu에서 CPU, GPU, 메모리, SSD/HDD 정보를 간단한 명령어로 확인하는 방법을 소개합니다.복잡한 도구 없이 터미널에서 빠르게 하드웨어 상태를 점검할 수 있습니다. Ubuntu에서 OS/CPU/GPU/메모리/디스크 정보 확인 목차 1. CPU 정보 확인하기: lscpu 2. GPU 정보 확인하기(NVIDIA):nvidia-smi 3. 메모리 정보 확인하기: free 4. 디스크(SSD/HDD) 정보 확인하기:lsblk 5. OS/커널 정보 확인하기:uname 관련 글 링크 1. CPU 정보 확인하기: lscpuCPU 모델명, 코어 수, 아키텍처 등의 상세 정보를 확인합니다.lscpu - CPU(s) : 커널이 인식하는 논리 CPU(코어 수 x 쓰레드 수) 수 - Thread(s..

Ubuntu 데스크탑 환경에 원격으로 접속할 수 있도록 설정하는 방법을 소개합니다. 특히 Windows의 원격 데스크톱 연결(RDP) 기능을 통해 Ubuntu에 접속할 수 있는 방식으로 구성했습니다. Ubuntu에 원격 데스크탑(RDP) 설정하고 접속하는 방법 목차 1. RDP 방식 개요 및 장점 2. xrdp 설치 및 기본 설정 3. Wayland 비활성화(튕김 방지) 4. Windows에서 RDP 접속하기 5. xrdp vs 데스크톱 공유 비교 관련 글 링크 1. RDP 방식 개요 및 장점RDP(Remote Desktop Protocol)는 Microsoft에서 개발한 원격 데스크탑 접속 방식으로, Windows에서 기본 제공되는 "원격 데스크톱 연결" 기능을 사용해 Ubuntu 시스템에 GUI..

MediaPipe Image Segmenter의 주요 기능과 실행 모드를 중심으로 이미지 세그멘테이션의 개념과 활용법을 소개합니다.SelfieSegmenter, HairSegmenter, SelfieMulticlass, DeepLab-v3 등 다양한 모델 비교와 Python 코드 예제까지 함께 제공합니다. MediaPipe Image Segmentation 사용하기 : 이미지 분할 목차 1. Image Segmentation이란? 2. MediaPipe Image Segmenter 주요 기능과 옵션 3. ImageSegmenter 실행모드: IMAGE, VIDEO, LIVE_STREAM 4. 기본 제공 모델 종류 및 성능 비교 5. Image Segmentation 사용 예시:Selfie Segmente..

MediaPipe Image Classification의 주요 기능과 실행 모드별 차이를 자세히 설명합니다. MediaPipe Image Classification 사용하기 : 이미지 분류 목차 1. 이미지 분류(Image Classification)란? 2. MediaPipe Image Classifier의 주요 기능과 옵션 3. Image Classifier 실행모드: IMAGE, VIDEO, LIVE_STREAM 4. 기본 제공 모델 성능 비교 (EfficientNet-Lite 시리즈) 5. 커스텀 모델 적용시 요구사항: TFLite + Metadata 6. MediaPipe Image Classifier Python 예시: IMAGE 관련 글 링크 1. 이미지 분류(Image Classifi..

객체 탐지 모델의 성능을 평가할 때 사용하는 대표적인 지표들을 정리했습니다. 객체 탐지 모델 성능 지표:IoU,Precision,Recall,AP,mAP,FPS 목차 1. IoU(Intersection over Union) 2. Precision(정밀도) 3. Recall(재현율,민감도) 4. P-R Trade-Off, P-R Curve 5. AP(Average Precision) 6. mAP(mean Average Precision) 7. FPS(Frames Per Second) 관련 글 링크 1. IoU(Intersection over Union)IoU는 예측한 바운딩 박스와 실제 바운딩 박스가 얼마나 겹치는지를 비율로 나타낸 지표입니다.IoU는 객체 탐지의 위치 정확도를 판단하는 핵심 지표입니..

회귀(Regression) 모델의 성능을 평가할 때는 예측값과 실제값 사이의 차이를 수치화하여 얼마나 정확하게 예측했는지를 확인합니다.회귀(Regression)모델은 연속적인 값을 예측하는 데 사용됩니다. 이때 예측의 정확도를 수치적으로 판단해야 하며, 이를 위해 여러 지표를 사용합니다. 대표적인 성능 지표 MAE, MSE, RMSE, MAPE, MPE, R² 에 대해서 정리 합니다. 회기 모델 성능 지표: MAE, MSE, RMSE, MAPE, MPE, R² 목차 1. MAE(Mean Absolute Error): 평균 절대 오차 2. MSE(Mean Squared Error): 평균 제곱 오차 3. RMSE(Root Mean Squared Error): 평균 제곱근 오차 4. MAPE(Mean Ab..

머신러닝에서 분류 모델은 데이터를 분석해 라벨(클래스)을 예측합니다.하지만 단순히 얼마나 맞췄는지만 보는 Accuracy(정확도)만으로는 성능을 평가하기에 충분하지 않습니다.특히 불균형 데이터(imbalanced data) 상황에서는 다양한 지표를 함께 고려해야 모델의 실제 성능을 파악할 수 있습니다.Confusion Matrix를 기반으로 Accuracy, Precision, Recall, F1 Score, AUC까지 모든 핵심 지표의 개념과 활용 방법을 정리합니다. 분류 모델 성능 지표: Confusion Matrix 목차 1. Confusion Matrix(혼돈 행렬) 2. Accuracy(정확도) 3. Precision(정밀도) 4. Recall(재현율,민감도) 5. F1 Score(정밀도와 재현..

컴퓨터가 이미지를 '이해'하도록 만드는 기술을 컴퓨터 비전(Computer Vision)이라고 합니다.이미지를 이해하는 데 가장 많이 사용되는 기술은 분류(Classification), 객체 탐지(Object Detection), 세그멘테이션(Segmentation)입니다.각 개념을 쉽고 명확하게 설명하고, 실제로 언제 어떤 기술을 사용하면 좋을지 살펴 보겠습ㄴ다. 이미지 분석 기술: Classification, Object Detection, Segmentation 목차 1. 이미지 분류(Classification) 2. 객체 탐지(Object Detection) 3. 이미지 세그멘테이션(Image Segmentation) 4. Semantic vs Instance vs Panoptic Segmenta..

MediaPipe(ver 0.10.24)의 객체 탐지기(Object Detector)를 활용하여 이미지 또는 동영상에서 고양이, 개, 사람, 차량 등 다양한 객체를 감지하는 방법을 소개합니다. MediaPipe Object Detector 사용하기 : 객체탐지 목차 1. 객체감지(Object Detection)란? 2. MediaPipe Object Detector 주요 기능 및 옵션 3. Object Detector 실행모드: IMAGE, VIDEO, LIVE_STREAM 4. Object Detector 모델 종류 및 비교 5. 사용자 정의 모델 요구사항 : TFLite 6. Python 환경 설정 및 기본 코드 작성 7. MediaPipe Object Detector Python 예시: IMAGE..

전이 학습(Transfer Learning)은 사전 학습된 모델을 활용해 새로운 문제를 빠르게 해결할 수 있도록 돕는 딥러닝 기술입니다. 적은 데이터와 자원으로도 높은 성능을 낼 수 있어, AI 개발의 효율성과 확장성을 크게 높여줍니다. 전이 학습(Transfer Learning) 목차 1. 전이 학습이란? 2. 전이 학습의 주요 종류 3. 전이학습과 파인튜닝 비교 4. 전이학습의 장단점 5. 사전 훈련 모델(pretrained model) 6. 전이 학습의 주요 접근 방식 관련 글 링크 1. 전이 학습(Transfer Learning)이란?전이 학습(Transfer Learning)은 기존에 학습된 모델의 지식을 새로운, 하지만 관련된 작업에 적용하는 머신러닝 기법입니다.보통은 대규모 데이터와 연산..

머신러닝, 딥러닝, 신경망, 지도학습, 비지도학습, 강화학습의 개념을 한 번에 정리합니다. 인공지능, 머신러닝, 딥러닝 개념 이해: AI,ML,DL 목차 1. 인공지능, 머신러닝, 딥러닝 2. 신경망(Neural Network) 구조의 이해 3. 지도학습(Supervised Learning) 4. 비지도학습(Unsupervised Learning) 5. 강화학습(Reinforcement Learning) 관련 글 링크 1. 인공지능, 머신러닝, 딥러닝1) 인공지능(AI, Artificial Intelligence)인공지능은 인간의 지능적 행동(학습, 추론, 문제 해결, 의사결정 등)을 컴퓨터가 모방하고 수행할 수 있도록 만드는 기술입니다.◆ 주요 기능학습(Learning): 데이터를 기반으로 스스로 ..

MediaPipe 솔루션은 애플리케이션에 인공지능 (AI) 및 머신러닝 (ML) 기법을 빠르게 적용할 수 있는 라이브러리 및 도구 모음을 제공합니다. 이러한 솔루션을 애플리케이션에 즉시 연결하고, 필요에 맞게 맞춤설정하고, 여러 개발 플랫폼에서 사용할 수 있습니다. Google MediaPipe 솔루션 이해하기 목차 1. MediaPipe란? 2. MediaPipe 구성요소와 통합도구 3. MediaPipe Tasks 개요 4. MediaPipe Model Maker를 이용한 재 학습 5. MediaPipe Studio로 실시간 테스트 6. 사용가능한 솔루션 목록 관련 글 링크 1. MediaPipe란?MediaPipe는 Google에서 개발한 멀티모달 AI 프레임워크로, 영상 처리뿐만 아니라 텍스..

Python 3.13 가상환경에서 VSCode와 Jupyter를 사용하는 방법을 소개합니다.가상환경 생성부터 VSCode 확장 설치, Jupyter 노트북 실행까지 단계별로 설명합니다. VSCode에서 Python 3.13과 Jupyter 사용하기: 가상환경 목차 1. VSCode 설치 및 Python 가상환경 구성 2. Jupyter Extension 설치 3. 가상환경에 Jupyter 설치하기 4. VSCode에서 가상환경(커널) 선택 5. HelloWorld 출력하기 6. VSCode에서 Jupyter 사용 예제 관련 글 링크 1. VSCode설치 및 Python 가상환경 구성 Visual Studio Code 설치 방법 (Installer / Zip 포터블 모드) Visual Studio C..

Apache Kafka Connect를 활용해 PostgreSQL 데이터 연동 예제를 소개합니다.Source 테이블의 변경 사항을 Kafka로 수집하고, 이를 Sink 테이블에 저장하는 전체 과정을 다룹니다.Apache Kafka Connect 설정, JDBC 드라이버 설치, 커넥터 구성 및 실행까지 단계별로 실습할 수 있습니다. Apache Kafka Connect Source, Sink 실습: PostgreSQL 연동 목차 1. 환경 준비 및 구성 2. Apache Kafka Connect Plugin 설치 3. Apache Kafka Connect 실행 4. PostgreSQL Source Connector 설정 5. PostgreSQL Sink Connector 설정 6. 테스트 및 데이터 흐름..

Apache Kafka Connect는 Kafka와 외부 시스템 간 실시간 데이터 연동을 손쉽게 구현할 수 있는 강력한 도구입니다. Kafka Connect의 개념, 아키텍처 구성, 그리고 서버 측 설정 방법을 단계별로 자세히 소개합니다 Apache Kafka Connect 이해 및 서버 설정하기 : REST API 명령어 목차 1. Apache Kafka Connect 개념 2. Apache Kafka 아키텍처 3. Standalone vs Distributed 4. Apache Kafka Connect 설치 및 실행 5. Apache Kafka 서버 설정 하기 6. REST API를 이용한 Connector 관리 관련 글 링크 1. Apache Kafka Connect 개념Kafka Connect..

Ubuntu에서 zip과 unzip을 설치하고 사용하는 방법을 정리했습니다. Ubuntu에서 zip/unzip 설치 및 사용법 정리 목차 1. Ubuntu에서 zip/unzip 설치하기 2. zip 명령어 사용법 3. unzip 명령어 사용법 4. zip/unzip 자주 사용하는 옵션 정리 관련 글 링크 1. Ubuntu에서 zip/unzip 설치하기1. 설치 여부 확인zip -vunzip -v버전 정보가 출력되면 설치된 상태입니다. 2.설치하기sudo apt updatesudo apt install zipzip 패키지는 unzip을 권장 으로 포함하고 있어, zip만 설치해도 unzip이 함께 설치 됩니다.unzip이 함께 설치 되지 않거나 확실하게 unzip를 설치하고 싶으면 아래 명령어를 사용하..