Origin Git Repo : https://github.com/wikibook/dl-vision
《실전! 텐서플로2를 활용한 딥러닝 컴퓨터 비전》
구글이 내놓은 오픈소스 머신러닝 라이브러리의 새로운 버전인 텐서플로 2를 기반으로 한다.
- 1장 - 컴퓨터 비전과 신경망 / 코드
- 1.1 - 신경망을 처음부터 만들고 훈련시키기
- 2장 - 텐서플로 기초와 모델 훈련 / 코드
- 2.1 - 케라스로 모델 훈련시키기
- 3장 - 현대 신경망 / 코드
- 3.1 - CNN 기초 연산 살펴보기 / 코드
- 3.2 - 텐서플로 2와 케라스로 첫 CNN을 만들고 훈련시키기
- 3.3 - 고급 최적화 모델 실험
- 3.4 - CNN에 정규화 기법 적용
- 4장 - 유력한 분류 모델
- 4.1 - ResNet을 처음부터 구현하기
- 4.2 - 케라스 애플리케이션의 모델 재사용하기
- 4.3 - 텐서플로 허브에서 모델 가져오기
- 4.4 - 전이 학습 적용하기
- 4.5 - (Appendix) ImageNet과 Tiny-ImageNet 살펴보기
- 5장 - 객체 탐지 모델
- 5.1 - YOLO 추론 실행하기
- 5.2 - YOLO 모델 훈련 (미완성)
- 6장 - 이미지 보강 및 분할
- 7장 - 복합적이고 불충분한 데이터셋에서 훈련시키기
- 7.1 -
tf.data로 효율적인 입력 파이프라인 구성하기 - 7.2 - TFRecord 생성 및 파싱
- 7.3 - 3D 모델의 이미지를 렌더링하기
- 7.4 - 합성 이미지에서 분할 모델 훈련시키기
- 7.5 - 단순한 도메인 적대 신경망(Domain Adversarial Network) 훈련시키기
- 7.6 - DANN을 적용해 합성 데이터에 분할 모델을 훈련하기
- 7.7 - VAE로 이미지 생성하기
- 7.8 - GAN으로 이미지 생성하기
- 7.1 -
- 8장 - 동영상과 순환 신경망
- 8.1 - LSTM을 사용해 행동 탐지하기
- 9장 - 모델 최적화 및 모바일 기기 배포
- 9.1 - 모델 프로파일링
- 9.2 - 비최댓값 억제 알고리즘 비교
- 9.3 - 감정 탐지 모델을 훈련시키고 모바일 기기를 위해 이 모델을 전환
- iOS 앱
- 안드로이드 앱
- Tensorflow.js 앱
코드는 주피터 노트북 형태로 제공한다. 따로 표기되지 않은 경우, 파이썬 3.5(이상) 및 텐서플로 2.0을 사용해 실행하면 된다. 설치 방법은 이 책에서 설명한다. (numpy, matplotlib 등과 같이 의존성을 관리하기 위해 Anaconda를 사용하는 것이 좋다.)
또한 이 책에서 사용된 화면/도표의 컬러 이미지를 담은 PDF 파일도 제공한다. 여기를 클릭해 파일을 내려 받으면 된다..
제공된 코드와 결과를 살펴보고 싶다면 온라인으로 책의 깃허브 저장소를 접속하면 된다. 실제로 깃허브는 주피터 노트북을 렌더링하고 정적 웹 페이지로 표시 할 수 있다. 그렇지만 깃허브 뷰어는 일부 스타일 서식과 대화형 콘텐츠를 무시한다. 이를 해결하고 최상의 상태로 보려면, 온라인에 업로드된 주피터 노트북을 읽기 위해 사용할 수 있는 공식 웹 플랫폼인 주피터 nbviewer를 사용하는 것이 좋다. 이 웹사이트를 사용해 깃허브 저장소에 저장된 노트북을 렌더링할 수 있다. 따라서 여기서 제공하는 주피터 노트북은 다음 주소에서 읽을 수 있다. https://nbviewer.jupyter.org/github/PacktPublishing/Hands-On-Computer-Vision-with-TensorFlow-2
컴퓨터에서 이 문서를 읽고 실행하려면 먼저 주피터 노트북을 설치해야 한다. 파이썬 환경을 관리하고 배포하기 위해 이미 아나콘다를 사용하고 있다면(이 책에서 권장하는 바이다) 주피터 노트북을 바로 사용할 수 있다(아나콘다와 함께 설치되기 때문이다). 다른 파이썬 배포판을 사용하고 주피터 노트북이 익숙하지 않다면, 설치 방법과 튜토리얼을 읽어보기 바란다.
주피터 노트북을 컴퓨터에 설치했다면 이 책의 코드 파일이 포함된 디렉터리를 찾은 다음, 터미널을 열고 다음 명령어를 실행하라.
$ jupyter notebook
웹 인터페이스는 각자 설정한 기본 브라우저에서 열린다. 거기에서 이 디렉터리를 찾아가 제공된 주피터 노트북을 열어서 읽고, 실행하거나 편집할 수 있다.
어떤 문서는 고성능 컴퓨팅 파워를 요구할 수 있는 고급 실험(규모가 큰 데이터셋에서 인식 알고리즘을 훈련하는 등)을 포함한다. 적절하게 하드웨어를 가속화하지 않고는(즉, 2장, _텐서플로 기초와 모델 훈련_에서 설명하듯이 적절한 NVIDIA GPU가 없다면), 이 스크립트를 수행하는 데 수 시간 또는 수 일이 걸릴 수 있다(적절한 GPU가 있더라도 가장 고급 예제는 꽤 많은 시간이 걸릴 수 있다).
주피터 노트북을 직접 실행하거나 새로운 실험을 하고 싶지만 컴퓨터가 충분한 컴퓨팅 파워를 갖추지 못했다면 Google Colab을 사용하는 것이 좋다. 코랩은 강력한 컴퓨터에서 계산 집약적인 스크립트를 실행하고자 하는 사람을 위해 구글에서 제공하는 클라우드 기반의 주피터 환경이다.
다음 소프트웨어와 하드웨어를 사용하면 이 책(1~9장)에서 제시하는 코드 파일을 모두 실행할 수 있다.
| 장 | 소프트웨어 요구사항 | OS 요구사항 |
|---|---|---|
| 1~9 | Jupyter Notebook | 윈도우, 맥OS X, 리눅스 중 한 가지 |
| 1~9 | Python 3.5 이상, NumPy, Matplotlib, Anaconda (선택) | 윈도우, 맥OS X, 리눅스 중 한 가지 |
| 2~9 | TensorFlow, tensorflow-gpu | 윈도우, 맥OS X, 리눅스 중 한 가지 |
| 3 | Scikit-Image | 윈도우, 맥OS X, 리눅스 중 한 가지 |
| 4 | TensorFlow Hub | 윈도우, 맥OS X, 리눅스 중 한 가지 |
| 6 | pydensecrf library | 윈도우, 맥OS X, 리눅스 중 한 가지 |
| 7 | Vispy, Plyfile | 윈도우, 맥OS X, 리눅스 중 한 가지 |
| 8 | opencv-python, tqdm, scikit-learn | 윈도우, 맥OS X, 리눅스 중 한 가지 |
| 9 | Android Studio, Cocoa Pods, Yarn | 윈도우, 맥OS X, 리눅스 중 한 가지 |