KT 에이블스쿨 : 5차 미니프로젝트 (5일차) - 조원 얼굴인식 라벨링

        




    5차 (2) 미니프로젝트

    5일차 : 24.04.30 (화)  

    어제 만든 유명인 얼굴인식 모델의 가중치로 

    조원들 얼굴을 인식 모델을 만들었다. 

    수집한 사진은 조원당 100장 이상정도고, epochs는 15정도였는데도 mAP가 0.9 이상으로 성능이 아주 좋았다 !  


     



    데이터 수집 및 라벨링



    roboflow로도 데이터라벨링을 할 수는 있는데 

    팀원들의 이미지랑 labels 파일을 합치기 위해서는 로컬에서 작업하는게 좋을 것 같아서



    각자 로컬에서 작업하고, 구글 드라이브에 업로드했다. 

    각자 수집한 얼굴사진의 개수는 100장 이상정도!

    train, test 비율은 8:2 정도로 나누었다. 

     

    Train (80)

    Test (20)

    Sangjae

    93

    25

    Givaek

    80

    20

    Seungyeon

    112

    13

    Hanna

    80

    20

    Juchan

    80

    20

    Goeun

    92

    23

    Not_member

    -

    -

     

    오전동안은 데이터 수집 - 데이터 라벨링했다. 





    모델링

    얼굴인식 모델링을 만드는것은 3번째라 그런지, 얼마 걸리지 않았다.

    한시간 안으로 걸린것같다. 


    어제 epochs 150까지 돌린 best.pt 모델을 사용해서

    추가학습으로 우리 조원 얼굴 사진으로 epochs 15정도만 더 돌렸다. 


    성능은 너무 좋았다....

    어제 유명인 얼굴인식에서는 낮고도 낮았는데, 왜이렇게 잘나온지는 모르겠다. 

    알다가도 모르겠는 딥러닝의 히든레이어 ㅎ,, 



    F1 곡선, PR 곡선을 보면 기백씨가 0.995로 상당히 높게 나왔다. 

    수집한 이미지를 확인해보니, 한곳에서 다 각도로 위아래왼오 전부 찍으셔서 그런게 아닐까 추측한다 




    성능이 높게 잘나와서 조원들 얼굴인식은 잘됐다 ㅎ 

    뿌듯 ^-----^ 





    아래 PR 곡선은 전날 유명인을 인식하는 모델

    epochs를 100번 돌렸을때 이정도였는데, 우리 조원 얼굴 인식에서는 낮은 epochs로도 성능이 더 잘나왔다 





    발표시간

    - 유명인 얼굴 인식 : 모델링 1

    얼굴에 대한 디텍션, 사람 얼굴인지 아닌지를 찾기 위한 모델링을 한 것 


    - 기본적으로 쓰던 yolov8n.pt 말고,  yolov8s.pt / yolov8n.pt 다른 모델을 사용했을때 더 성능이 좋게나옴 


    - yolov8s.pt 를 사용 + 파라미터( epochs:200, patience : 30, seed =1, pretrained =false ) 

    early stopping에 의해 epochs 130에서 정지됨 


    - 어그노테이션을 하는 이유는 ? 

    다양성을 늘려서 과적합이 되지 않게 하기 위함

    일반적인 상황에서의 성능을 높이기 위해 다양성을 높이는것 


    - 유명인 인식 모델링(모델1)에서는 전부 서양인이기에 동양인 (검은 머리)를 예측 잘 못한다.

    6명 중 한명만 금발이면, 그사람의 예측률이 높은데 

    나머지가 다 흑발이면 구분이 어려움 





    성능지표

    - PR 곡선 

    Recall 에 따른 Precision의 변화량 

    그래프 아래 면적이 AP (average precision) 


    - mAP 

    개별 클래스(객체)에 대한 AP의 평균이 mAP 

    그래프 아래 면적 최댓값은 1

    높으면 높을수록 해당 모델의 성능이 좋은 것임 


    - 객체인식 : 클래스 분류 + 회귀 (바운딩박스 regression)




    강사님의 의도

    - 유명인 얼굴 데이터셋만을 이용해 얼굴 영역에 대해 잘 추론하는 모델을 만드는 것

    - 위의 모델을 이용해 (맞춤화된) 조원 얼굴을 인식하는 모델을 만드는것 

    - 얼굴 데이터셋이 정말로 얼굴 인식 모델을 만드는데 도움이 되었을까 ? 

    --> MS COCO로 학습된 모델을 바로 썼어도 똑같이 성능이 나오지 않았을까 ? 






    내일 발표자료 작성할 내용 

    - (모델1) 

    추가학습 시키면 map가 줄어드는 문제 : 왜인지 ? ? 

    모델1의 성능과 달리 조원얼굴에서는 적은 epochs으로도 학습성능이 아주 좋았던것 : 왜 ? 


    - (모델2)

    각자 라벨링할때 바운딩박스를 설정하는 범위가 다른 문제 

    모델링 성능비교 : (1) 모델1의 전이학습, (2) 사전학습X, (3) yolov8n에서 모델링  

    어노테이션을 하면 달라지나 ? 

    반 전체의 얼굴을 넣었을때 인식하는 가 








    댓글

    댓글 쓰기

    이 블로그의 인기 게시물

    [KT 에이블스쿨 - IT 트랜드] 국내외 AI 관련 규제

    이미지
    KT 에이블스쿨에 참여하면서 IT 트렌드 스터디하고있는데, 발표자료로 오늘은 ChatGPT 4-o 내용을 준비했다.  NIA (한국지능정보사회진흥원)의 디지털 법제 Brief 중  AI 규제와 관련된 내용 3개의 보고서를 읽고 발표에 참고했다.  해외 "사법기관 인공지능 이용지침" - 보고서 링크 - 발행일 24.02.15 이 보고서에는 사법기관에서 AI 를 어떻게 이용하면 되는지를 지침으로 정의한 캐나다와 영국 사례를 소개했다.  캐나다와 영국은 23년 12월에 이를 마련했고, 호주와 뉴질랜드 등 같은 영연방 국가들도 유사한 지침을 내렸다.  캐나다 캐나다 "법원의 인공지능 이용 원칙 및 지침" (23.12.10) AI 사용을 알리는 문구 명시   작성한 문서의 가장 앞쪽에 이런 문구를 명시해야함 "Artificial intelligence(AI) was used to generate content in this document" (인공지능을 사용하여 이 문서의 컨텐츠를 생성하였습니다) 7가지 원칙  (책무) 의사결정에 인공지능을 사용할 가능성에 대해 책임 (기본권 등 존중) 인공지능 사용으로 인해 사법 독립성, 사법 접근권 및 차별 없이 공정 한 심리를 받을 권리 등이 침해되지 않도록 보장 (비차별) 인공지능 사용으로 차별 이 재생산되고 악화되지 않도록 보장   (정확성) 인공지능의 이용에 사용된 데이터는 확인 및 검증된 데이터만 사용   (투명성) 인공지능이 사용하는 모든 데이터 처리방법에 대해 외부 감사 실시 (보안) 기밀성 프라이버시 출처표기 등이 보장되는 안전한 기술환경 에서 데이터 저장 및 관리   (사람의감시) 판사 및 재판 연구원은 인공지능 생성물을 자신들의 업무에 사용하고자 하는 경우 해당 생성물의 결과를 검증 공개협의(publicconsultation) 없이 자동화된 의사결정 도구 등 인공지능을 판결 명령에 사...
    자세한 내용 보기

    KT 에이블스쿨 : 6-7차 미니프로젝트 - 제안서 기반 솔류션 기획 및 설계

    이미지
    6차 미니프로젝트 목적 : 서비스 구성도, 인프라 구성도 작성  주제는 "요구사항 기반 솔루션 기획 및 시스템 설계"로 IT 인프라 수업때 배운 서비스/인프라 구성도를 제안서에 맞게 작성하는걸 해봤다.  K회사의 DX 사업제안팀 컨설턴트가 되어서 시각장애인을 위한 궁사업소의 RFP에 맞는 ICT 서비스 및 인프라 구성도를 만드는 것 !  서비스 구성도 에이블스쿨에서 임의로 만든 궁사업소에서 제안하는 RFP 기반으로  궁사업소의 요구사항은 무엇인지, 이에 따른 서비스 구성도를 만들어봤다.  먼저 요구사항 분석표에 맞춰서, 제안사의 요구사항이 무엇인지 어떤 유형인지 구분을 했다. 요구사항 분석표를 만든걸 보면서, 서비스 구성도를 작성했다.  제공 서비스 5개를 두고,  프로세싱(기능 및 해결방법), 세부 솔루션, 연결된 장치가 각각 무엇인지 글로 정리한 뒤에  구성도로 시각화했다.  처음에는 이게 맞는걸까 확신이 없었지만, RFP와 요구사항 분석표를 보면서 여러번 확인을 거친뒤에 점점 확신이 생겼다.  인프라 구성도 수업때 사용했던 cacoo 툴을 사용했는데, 튜터님께 클라우드 부분과 네트워크 부분에 대해서 질문을 많이하면서 제대로된 인프라 구성도를 그릴 수 있어서 만족스러웠다.  인프라 구성도는 전체적인 흐름이 한눈에 잘 보이도록 작성을 하는게 중요한데,  처음에는 클라우드, 관제시스템, 사용자 환경, 서비스 제공 환경이 이리저리 산발적이라서 우리도 혼란스러웠지만, 튜터님이 인터넷을 기준으로 왼쪽에는 사용자 관점에서 쓰는 것을 두고, 오른쪽에는 서비스 관점에서 쓰는걸 두면 보기 좋을 것 같다는 피드백에 따라 수정했는데 확 달라진게 느껴져서 전문가는 다르다는걸 새삼 느꼈다 .. . 안보이지만 서비스 구성도 인프라 구성도 7차 미니프로젝트 목적 : 제안 발표 이번 7차는 가장 빅프로젝트스러운 미니프로젝트였다.  6차때 만든 서비스구성도와 인프라구성도...
    자세한 내용 보기

    KT 에이블스쿨 : 클라우드 서비스 1일차 정리

    이미지
         클라우드 서비스  6일 과정 : 24.05.14 (화) ~ 22 (수) 1일차, 240514 (화) 교육 정리   1일차 DX 컨설턴트 고객 사용자 중심 변화에 민첩/유연한 대응 지속적인 차별화/혁신 : 데이터 기반의 고객 경험 향상 (CX), 혁신(기술, 내부프로세스)를 위한 지속적인 노력 컨설턴트 업무 : 기획 / 제안 / PMO 문제가 무엇인지 파악 → 분석 → 솔루션 도출 역량 지식 > 시장을 읽을 줄 알아야함. (business, trend) + 사업별 업무이해(process) + 기술 기술을 기반으로 의사소통이되고, 업무가 진행이 되기때문 논리적, 보고서 작성 능력, 설득력, 소통능력, 폭넓은 기술이해 아키텍처(구성도)를 제시 문제를 해결해 줄 수 있을 정도로 광범위한 지식과 소통 능력이 요구됨 클라우드 가상화 하나의 물리적 서버 위에 여러개의 앱을 사용 가능 하이퍼바이저 방식 베어메탈 : VM (앱) < Guest OS < 하이퍼바이저 <  Host OS 없이  < HW 호스트형 방식 : VM (앱) < Guest OS < 하이퍼바이저 < Host OS < HW 네트워크 가상화 물리적 네트워크 환경에서 여러 가상 네트워크를 실행해 VM간 통신 가능 데스크탑 가상화 (VDI 환경) 데이터는 서버에 저장하고, 서버에서 클라이언트에 가상 PC 환경만 제공 네트워크로 서버에 접속해 가상의 PC 환경 구성 가능 분산 처리 (클러스터링) 로드밸런싱(부하분산)과 오토스케일링은 같이 활용됨 scale in  은 리소스를 줄이는 것 (수평/병렬적 처리, 클러스터링) scale out  은 리소스 개수를 늘리는 것 (수평/병적 처리, 클러스터링) scale up  은 한개의 메모리, 용량을 늘리는 것 (수직적 처리) scale down  은 한개의 메모리, 용량을 줄이는 것 (수직적 처리) 서버리스 인프...
    자세한 내용 보기