분류 전체보기69 SAM 환경 설정(에러 경우의 수 정리 포함) SAM(Segment Anything) 을 window 환경에서 python으로 환경설정 및 빌드하는 방법에 대한 포스트입니다!에러 발생 case는 글의 맨 뒤에 붙여놓았으니, 참고바랍니다. SAM 공식 권장 사양 요약Python ≥ 3.10, PyTorch ≥ 2.5.1, CUDA ≥ 12.4환경설정 순서conda 가상환경 만들기Anaconda Navigator로 만들기터미널conda create -n seg python=3.11 -y (SAM 권장, Nuitrack 사용 불가) conda create -n seg python=3.10 -y (pynuitrack Torch install(가상환경 activate & python interpreter 설정 후)conda install pytorch to.. 2025. 1. 14. Git: fatal: unable to access '~': Could not resolve host: github.com 어느날 갑자기 해당 에러가 발생했었는데요, 문제의 원인은 회사 네트워크의 문제였습니다!해결방법은 생각보다 간단한데요, 네트워크에 제대로 다시 연결 하고, 다시 시도하면 push, pull 다 가능합니다!다시 연결이 되었는지 의심이 된다면 아래 커맨드를 프롬프트 창에 입력해서 확인해보셔도 좋을 것 같습니다ping github.com 2024. 12. 10. [cafe24] MySQL 연결 실패 해결 방법 위 사진은 vs code에 MySQL 확장 프로그램에서, 연동하려할 때, 실패 화면입니다. 실패 이유는 간단합니다. cafe24 관리자 설정에서 외부 ip 설정이 안되어 있기 때문인데요 cafe24 로그인 > 나의 서비스 관리 > MySQL 외부 IP 접근설정 에 들어가셔서 맨처음 실패 화면에 나오는 본인의 ip 주소를 할당해주시면 해결됩니다~ 끝! 2024. 1. 24. FTP, vscode에 설정하는 법(cafe24) 먼저 당연히 vs code를 설치해주셔야겠죠? 그 다음은 vs code 확장 extenstion에 들어가 ftp-simple 을 install 해줍니다. 다음 vs code 기본화면에서 ctrl + shitf + p 를 눌러 메뉴창에 ftp-simple : Config - FTP connection setting 에 들어가줍니다. 선택하면 보이는 코드 창은 아래와 같습니다. 여기서 설정은 아래와 같이 하시면 됩니다. name : 서버 이름 host : 서버의 도메인 또는 ip를 입력 port : 서버포트, 보통 21입니다. username : 접속할 ftp 서버 계정 password : 접속할 ftp 서버 비밀번호 path : 접속 폴더 경로 autosave : 서버 파일을 자동 저장할지 여부 confi.. 2024. 1. 24. [PHP] 맥, 윈도우 환경세팅 Window PHP 수동 설치 (Windows) PHP 다운로드: 공식 PHP 웹사이트(https://www.php.net/downloads)로 이동합니다. 원하는 PHP 버전을 선택하고, Windows용 Zip 파일을 다운로드합니다. 파일 추출: 다운로드한 Zip 파일을 추출합니다. 추출된 폴더를 적절한 위치에 이동시킵니다 (예: C:\php). 환경 변수 설정: '제어판' > '시스템 및 보안' > '시스템' > '고급 시스템 설정'으로 이동합니다. '환경 변수'를 클릭합니다. '시스템 변수' 섹션에서 'Path'를 찾아 '편집'을 클릭합니다. '새로 만들기'를 클릭하고 PHP 폴더의 경로를 추가합니다 (예: C:\php). '확인'을 클릭하여 닫습니다. PHP 구성: PHP 폴더로 이동하여 php... 2024. 1. 23. [논문리뷰] : Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 논문 요약 정리 "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks"는 2015년에 발표된 중요한 딥러닝 논문으로, 객체 인식 분야에서 매우 영향력 있는 연구입니다. 이 논문은 이전의 R-CNN과 Fast R-CNN을 발전시킨 모델로, 실시간 객체 탐지에 중점을 둡니다. 여기에 대한 주요 내용을 정리해드리겠습니다. 1. 배경 및 도입 R-CNN과 Fast R-CNN의 한계: 이전 모델들은 높은 정확도를 제공하지만, 속도 면에서 느린 문제가 있었습니다. 특히, 객체 후보 영역을 생성하는 과정(Region Proposal)이 속도 저하의 주된 원인이었습니다. 목표: Faster R-CNN은 이러한 속도 문제를 개선하고.. 2024. 1. 23. [DL] 학습 데이터 최적화 전략: Active Learning과 Data Subsampling 상세 설명 및 예제 코드 Active Learning의 확장된 설명 Active Learning은 학습 모델의 성능 향상을 위해 가장 유용한 데이터 포인트를 식별하고 선택하는 프로세스입니다. 이 방법은 특히 레이블링 비용이 높거나 데이터가 많아 학습 시간이 오래 걸리는 경우에 유용합니다. Uncertainty Sampling 작동 원리: 모델이 가장 확신이 없는 데이터를 선택합니다. 이는 모델이 스스로 학습에 가장 도움이 될 만한 데이터를 식별할 수 있음을 의미합니다. 예제 코드: # 예제: 가장 낮은 확률 예측을 가진 데이터 포인트 선택 probabilities = model.predict_proba(unlabeled_data) uncertainties = 1 - np.max(probabilities, axis=1) query.. 2023. 12. 31. [DL] Gradient Clipping: 신경망 학습의 안정성 향상 기법 Gradient Clipping 소개 Gradient Clipping은 신경망을 학습할 때 발생할 수 있는 수치적 불안정성, 특히 Gradient Exploding 문제를 방지하기 위해 사용되는 기술입니다. 이 기법은 그래디언트의 크기를 제한하여 네트워크의 파라미터가 극단적인 값으로 발산하는 것을 방지합니다. Exploding Gradient 문제란? 정의: Gradient-based 학습, 특히 순환 신경망(RNNs)과 같은 심층 네트워크에서 그래디언트 값이 과도하게 커져서 학습이 제대로 진행되지 않는 현상입니다. 결과: 모델의 성능 저하 및 학습의 불안정성을 초래합니다. Gradient Clipping의 주요 아이디어 목적: Gradient의 크기를 적절한 임계값 이내로 유지합니다. 방법: Gradi.. 2023. 12. 30. 이전 1 2 3 4 ··· 9 다음 728x90
