본문 바로가기

AI/YOLO4

YOLO12 설명, 11 vs 12 비교 YOLO11과 YOLO12의 주요 차이점을 요약한 비교YOLO11 vs YOLO12모델 구조개선된 백본 및 넥 아키텍처를 사용하여 적은 파라미터로 빠른 추론을 실현함전통적인 CNN 방식에서 벗어나 영역 주의 메커니즘과 R-ELAN, 플래시어텐션을 도입하여 정밀도를 높임특징 추출효율적 파라미터 사용과 최적화된 특징 추출로 실시간 성능을 극대화함R-ELAN 및 영역 주의 메커니즘을 통해 중요한 부분에 집중, 불필요한 연산을 줄여 정밀한 객체 감지 성능을 제공함주의 메커니즘기존의 방식 사용이미지의 중요한 영역에 집중하는 영역 기반 주의 메커니즘 도입, 선택적으로 플래시어텐션 활용 가능속도최적화된 트레이닝 파이프라인과 구조로 매우 빠른 추론 속도를 보임정밀도 향상을 위해 약간의 속도 저하(예: YOLO12m은 .. 2025. 3. 3.
CycleGAN을 이용한 데이터 증강 공개된 데이터셋 및 기술자동차 표면 결함 감지를 위한 AI 데이터 증강과 관련하여, 다음과 같은 공개 데이터셋과 기술을 활용할 수 있습니다.1. CarDD (Car Damage Detection)CarDD는 자동차 외부 손상을 감지하고 평가하기 위한 고해상도 데이터셋입니다. 이 데이터셋은 4,000개의 이미지와 9,000개 이상의 손상 인스턴스로 구성되어 있으며, 덴트(dent), 긁힘(scratch), 균열(crack), 유리 파손(glass shatter), 램프 손상(lamp broken), 타이어 펑크(tire flat) 등 다양한 손상 유형을 포함합니다. 이 데이터셋은 분류(classification), 객체 탐지(object detection), 인스턴스 분할(instance segmentat.. 2024. 7. 8.
YOLOv8 YOLOv8 개요YOLOv8은 객체 탐지 모델 YOLO(You Only Look Once) 시리즈의 최신 버전으로, 실시간 객체 탐지와 분류에서 뛰어난 성능을 자랑합니다. Ultralytics에서 개발한 YOLOv8은 이전 버전의 성능을 기반으로 다양한 개선사항을 도입했습니다.주요 특징인스턴스 세그멘테이션:YOLOv8은 객체를 픽셀 단위로 분할하여 더욱 정확한 객체 검출을 가능하게 합니다. 이는 의료 영상 분석이나 이미지 분할 작업과 같은 응용 분야에서 특히 유용합니다​ (ComputerVisionAI)​.포즈 추정:객체의 자세와 방향을 추정할 수 있는 기능이 포함되어 있습니다. 이 기능은 스포츠 분석, 운동 추적 등에서 활용될 수 있습니다​ (ComputerVisionAI)​.YOLO-World:텍스트.. 2024. 5. 21.
YOLOv8-오탐률(False Positive Rate) 낮추기 YOLOv8의 오탐률(False Positive Rate)을 낮추기 위해 다양한 방법을 고려할 수 있습니다. 다음은 이를 위한 몇 가지 제안입니다.1. 데이터 전처리 및 증강데이터 클렌징: 잘못 라벨링된 데이터를 수정하여 학습 데이터의 질을 높입니다.데이터 증강: 다양한 상황을 반영하기 위해 데이터 증강 기법을 사용합니다. 이는 모델이 다양한 상황에 더 잘 대응할 수 있도록 도와줍니다.2. 앙상블 학습모델 앙상블: 여러 모델을 결합하여 예측 성능을 향상시킵니다. 각 모델의 예측 결과를 결합하여 더 신뢰성 있는 결과를 얻을 수 있습니다.3. 후처리 기법비최대 억제(NMS, Non-Maximum Suppression):소프트 NMS: NMS 대신 소프트 NMS를 사용하여 객체가 겹치는 경우에도 더 부드럽게 .. 2024. 5. 21.

티스토리툴바