Dev Stack

Ubuntu 18.04 + Python3.6 을 기준으로 작성된 글 입니다. KoNLPy 가 설치가 되었다는 가정하에 Mecab 설치 방법부터 정리를 해본다. 설치는 konlpy 공식 문서에 나온 방법으로 하면 의존성까지 모두 체크하고 한국어 사전까지 설치를 해주기 때문에 편리하게 설치 가능하다. sudo apt-get install curl git bash

요즘 리뷰나 댓글같은 경우 신조어들이 너무 많아서 기본적으로 제공하는 okt 의 사전 데이터로는 정확한 분석이 어렵다. 따라서 사용자 사전에 신조어를 등록해 형태소분석이 잘 이루어질수 있도록 해줘야 한다. Mac 기준 로컬에서 간단히 수정하고 적용하는 방법을 정리해봅니다. ( contribute 하지 못해서 죄송합니다 ㅠㅠㅠ ) 먼저 okt 패키지의 설치 위치를 확인한다. python 콘솔로 다음 명령어를 입력하여 python package 위치를 확인한다. import os os.__file__ /usr/local/Cellar/python@3.9/3.9.7/Frameworks/Python.framework/Versions/3.9/lib/python3.9/ 여기까지가 파이썬이 설치되어있는 폴더 경로이며 ..

서버를 두고 원격으로 python 으로 AI 관련 개발을 하다보면 중간중간 확인과정을 거쳐야 하는데, 이미지나 그래프등 바로 바로 확인이 안된다. plt.show() 나 cv.imshow() 등등.. 이미지를 저장해서 확인하지 않은이상 쉽지 않다 이럴때, 구글 코랩과 같은 대화형 쉘을 이용하면 편리하게 개발을 할수 있다. 대화형 쉘을 지원하는 iPython 을 설치하면 개발이 편리해진다. 설치 방법과 운용이 너무 간단하다. 설치는 아래 명령어 한줄이면 된다. pip install jupyterlab 실행은 아래와 같이 한줄이면 된다. jupyter lab --ip=0.0.0.0 뒤에 --ip 옵션은 외부에서 접속할수 있도록 Listen IP 를 0.0.0.0 으로 설정한것이다. jupyter lab --..

labeling 이미지를 이용해 TFRecord 로 변환하려고 tesorflow git 에서 다음 파일을 받고 실행하는데 에러가 발생한다. https://github.com/tensorflow/models/blob/master/research/object_detection/dataset_tools/create_coco_tf_record.py GitHub - tensorflow/models: Models and examples built with TensorFlow Models and examples built with TensorFlow. Contribute to tensorflow/models development by creating an account on GitHub. github.com prot..

텐서플로우를 설치하는데 공식 문서에는 18.04 를 기준으로 안내를 하고 있다. Ubuntu20.04 를 기준으로 설치하는데 몇번을 삽질하고 쉽게 설치하는 방법을 찾아 정리 해본다. 아래의 명령어를 통해 GPU 드라이버와, 기초 라이브러리를 설치한다. # Add NVIDIA package repositories wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600 sudo apt-key adv --fetch-keys https://developer...

이전글 : 2021.08.04 - [Develope/Python] - Detectron - 응용편1 #image labeling Detectron - 응용편1 #image labeling detectron 샘플 예제를 응용하기 위해 직접 모델을 만들어 보기로 한다. 안경을 구분해 내는 모델을 만들어 보도록 한다. 훈련용 이미지에 labeling 을 해줘야 하는데, 여러가지 툴 중 Polygon 형태의 lab brtech.tistory.com 이전 응용편에 이어 validation 과정을 진행해볼 차례이다. 기본 코드는 샘플과 동일하며 다른점은 dataset 을 불러오는것과 validation 용 이미지를 불러오는 방식이 다를뿐 샘플과 완전히 동일하다. 샘플에서는 validation 용 이미지 파일 리스트..

detectron 샘플 예제를 응용하기 위해 직접 모델을 만들어 보기로 한다. 안경을 구분해 내는 모델을 만들어 보도록 한다. 훈련용 이미지에 labeling 을 해줘야 하는데, 여러가지 툴 중 Polygon 형태의 labeling이 가능한 labelme 라는 툴을 사용하기로 했다. https://github.com/wkentaro/labelme#macos GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag Image Polygonal Annotation with Python (polygon, rectangle, circle, l..

* 이 글은 공부하는 단계에서 샘플을 이해하고 개인적인 해석이 들어가 있으므로 잘못된 내용이 있을수 있습니다. 이번에는 Custom Dataset(balloon) 을 이용한 모델 훈련 예제를 실행해본다. 먼저 ballon_dataset 을 다운받아서 압축을 풀어준다. wget https://github.com/matterport/Mask_RCNN/releases/download/v2.1/balloon_dataset.zip unzip ballon_dataset.zip 폴더 안에는 train 전용 이미지들과 validation 용 이미지들이 각각 폴더에 있고 풍선에 레이블링이 된 json파일이 있다. 아래 코드는 detectron zoo 모델에 커스텀 데이터 세트(balloon) 를 등록하고 확인하는 코드이..

https://colab.research.google.com/drive/16jcaJoc6bCFAQ96jDe2HwtXj7BMD_-m5#scrollTo=4Qg7zSVOulkb Detectron2 Tutorial.ipynb Colaboratory notebook colab.research.google.com 구글 코랩에 올라와있는 샘플 코드를 기반으로 로컬에서 실행해본다. # check pytorch installation: import torch, torchvision print(torch.__version__, torch.cuda.is_available()) assert torch.__version__.startswith("1.9") # please manually install torch 1.9 if C..

설치 환경 macOS Mojave (10.14.6) 해킨토시 python Version 3.9 먼저 pip 버전을 업그레이드 해준다. pip install --upgrade pip 파이토치를 설치 해준다 pip install torch torchvision 디텍트론2 설치 pip install 'git+https://github.com/facebookresearch/detectron2.git' opencv 는 demo 나 시각화 처리를 이용하는데 필요하기에 같이 설치 해준다. pip install opencv-contrib-python opencv 를 제외하고 detectron 은 시간이 오래 걸리지 않고 빠르게 설치가 되었다.