HAMA 블로그

https://cloud.google.com/vision/ 문자인식쪽으로 사용될 부분이 많아보이네요. 90도 회전문자도 잘 지원해 주고~사물이나 얼굴같은경우는 해당 도메인에 맞춤 인식이 필요한 부분이 많을듯 하여 직접 딥러닝 (CNN, R-CNN) 아키텍처를 만들어야 할 경우가 많을거 같습니다. ㅋㅋㅋ

개발자 여러분 그동안 영어 이해하랴 이론 이해하랴 정말 수고 많으셨습니다. 정말 좋은 한글 동영상이 있어서 링크 해 봅니다. 정말 쉽게 딥러닝의 이론에 대해서 설명해주네요.이 동영상으로 기반을 이해하고, Caffe 등을 통한 다양한 실제 적용을 통해 통찰력과 직관을 기르면 일반 개발자 입장에서 딥러닝을 본인의 프로젝트에 좋은 서브무기로 사용 할 수 있으리라 봅니다. * 이래서 동강동강하나 봅니다. 제공 : 모두의 연구소 - 이찬우 연구원 [딥러닝] 1. Introduction[딥러닝] 2. 선형회귀와 Gradient Descent[딥러닝] 3. Gradient Descent & Normal Eq.[딥러닝] 4. 로지스틱 회귀[딥러닝] 5. 로지스틱 회귀의 비용함수[딥러닝] 6. 신경망의 표현[딥러닝] 7..

binaryproto -> npy 변경 함수 예시 #!/usr/bin/env python import caffe import numpy as np import sys ## proto / datum / ndarray conversion def blobproto_to_array(blob, return_diff=False): """ Convert a blob proto to an array. In default, we will just return the data, unless return_diff is True, in which case we will return the diff. """ # Read the data into an array if return_diff: data = np.array(blob...

LayersTo create a Caffe model you need to define the model architecture in a protocol buffer definition file (prototxt).Caffe layers and their parameters are defined in the protocol buffer definitions for the project incaffe.proto.Vision LayersHeader: ./include/caffe/vision_layers.hppVision layers usually take images as input and produce other images as output. A typical “image” in the real-worl..

“Flickr Style” 데이터를 이용한 스타일 인식을 위해 CaffeNet 모델을 파인튜닝해보자. 파인튜닝은 이미 학습된 모델을 기반으로 / 아키텍처를 새로운 목적으로 변형하고 / 이미 학습된 모델 weights 로부터 학습을 업데이트한다. BVLC-distributed CaffeNet 모델을 통한 100가지 객체 카테고리 인식을 대신해서 20 가지 이미지 스타일을 예측 하기위해 다른 데이터셋 ( Flickr Style ) 을 이용하여 파인튜닝해보자.설명스타일 데이터셋의 Flickr 이미지들은 보기에는 이미지넷 데이터셋 (bvlc_reference_caffenet 모델) 과 매우 유사하다. caffenet 모델은 개체분류에는 잘 작동하며, 우리는 그것을 우리의 스타일 분류에도 이용하고싶다. 우리의 목..

* 미리 만들어 놓은 모델 모음집 Network in Network model이 모델은 여기 자세히 나와있다. ICLR-2014 paper:Network In Network M. Lin, Q. Chen, S. Yan International Conference on Learning Representations, 2014 (arXiv:1409.1556) please cite the paper if you use the models. Models from the BMVC-2014 paper "Return of the Devil in the Details: Delving Deep into Convolutional Nets"이 모델은 ILSVRC-2012 데이타셋으로 학습되었다. 자세한건 project page..

일단 Caffe 를 이미지분류를 위한 목적으로 설치 했다고 치면 아래와 같은 2가지가 핵심입니다.1. 내 이미지 (혹은 샘플이미지)를 학습시켜서 나만의 모델을 만들자. 2. 나의 모델 (혹은 샘플 모델) 을 이용하여 이미지를 잘 이해(분류)하는지 보자. 용어 정리 ) * 모델 정의 하기: 데이터를 학습 시키기위한, 네트워크 과정 및 파라미터등을 총칭. 그 결과로 '모델' 을 만듬.* 파인 튜닝 하기: 더 적당한 모델을 만들거나, 더 나은 분류를 위해 조작하면서 최적값을 찾는 행위 1. 내 데이터를 학습시켜라 가. 일단 Caffe 내에는 이미 학습된 모델들이 여러개 있습니다. 그 중 ImageNet 의 이미지를 이용하여 학습시킨 예를 살펴봅니다./path/to/imagenet/train/n01440764/..

http://caffe.berkeleyvision.org/gathered/examples/imagenet.html 번역 Brewing ImageNetThis guide is meant to get you ready to train your own model on your own data. If you just want an ImageNet-trained network, then note that since training takes a lot of energy and we hate global warming, we provide the CaffeNet model trained as described below in the model zoo.Data PreparationThe guide specifies ..