약초의 숲으로 놀러오세요

이번 포스팅에서는 pytorch로 구현한 YOLO v1 모델의 코드를 분석해보도록 하겠습니다. 코드 구현체를 찾다가 우연히 Aladdin Persson님이 올리신 "Pytorch YOLO From Scratch" 영상을 보게 되었는데 설명이친절하고 코드가 깔끔하여 참고하기 좋다는 생각을 하게 되었습니다. aladdinpersson님의 github repository에 올라온 코드를 보면서 YOLO v1 모델의 전체적인 학습 과정을 살펴보도록 하겠습니다. 해당 모델에 대한 설명은 YOLO v1 논문 리뷰 포스팅을 참고하시기 바랍니다. 1) DarkNet 전체적인 network를 설계하는 과정은 단순합니다. 위의 그림과 같이 network의 최종 feature map의 크기가 7x7x30이 되도록 설계합니다..

이번 포스팅에서는 How FasterRCNN works and step-by-step PyTorch implementation 영상에 올라온 pytorch로 구현한 Faster R-CNN 코드를 분석해보도록 하겠습니다. Faster R-CNN은 여러 코드 구현체가 있었지만, 살펴볼 코드가 RPN 내부에서 동작하는 여러 과정들을 직관적으로 잘 보여준 것 같아서 선정하게 되었습니다. 단일 이미지를 입력하여 Faster R-CNN 모델의 각 모듈의 입출력 데이터와 동작 과정을 쉽게 확인할 수 있습니다. 해당 모델에 대한 설명은 Faster R-CNN 논문 리뷰 포스팅을 참고하시기 바랍니다. 저는 입력 이미지로 위의 얼룩말 이미지를 사용했습니다. 편의를 위해 원본 이미지를 800x800 크기로 resize해주었..

이번 포스팅에서는 gary1346aa님의 github repository에 올라온 pytorch로 구현한 Fast R-CNN 코드를 분석해보도록 하겠습니다. jupyter notebook으로 작성되어 있어 코드를 상대적으로 읽기가 편했던 것 같습니다. 하지만 학습과 detection을 위한 데이터셋을 제공하지 않아, 일부 코드를 이해하기가 어려웠던 것 같습니다. 그럼에도 Fast R-CNN 모델의 핵심 아이디어가 코드로 잘 구현되어 있어 새로 배운 내용들이 많았습니다. 전체 코드를 살펴보기보다는 Fast R-CNN 모델의 핵심 아이디어 위주로 코드를 분석해보도록 하겠습니다. Fast R-CNN 모델에 대한 자세한 설명은 Fast R-CNN 논문 리뷰 포스팅을 참고하시기 바랍니다. 1) RoI(Region..

이번 포스팅에서는 R-CNN 모델을 pytorch를 통해 구현한 코드를 살펴보도록 하겠습니다. 아직 코드 구현에 익숙치 않아 object-detection-algorithm님의 github 저장소에 올라온 R-CNN 모델 구현 코드를 분석했습니다. R-CNN 모델에 대한 설명은 R-CNN 논문 리뷰 포스팅을 참고하시기 바랍니다. 먼저 object-detection-algorithm(이하 oda)님은 PASCAL VOC 2007 데이터셋의 여러 class 중 "car"에 해당하는 데이터만을 추출하여 사용합니다. 전체 데이터셋을 다 사용할 경우 많은 시간이 걸리기 때문에 특정 class만 추출해서 사용하는 것 같습니다. R-CNN 모델은 fine tuned AlexNet, linear SVM, Boundin..