프로젝트 배경
1. 개요 (Overview)
이 프로젝트는 CCTV 영상에서 차량과 보행자를 실시간으로 탐지하여 교통 상황을 분석하고 이상 행동을 감지하기 위한 객체 탐지 시스템입니다. 목표는 높은 정확도를 유지하면서도 실시간 처리 및 vision 관련 서버 제작 업무와 model 학습 관련 경험을 시작합니다.
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
2. 사용 기술 (Technologies Used)
• 프로그래밍 언어: Python, C
• 라이브러리: YOLOv5, OpenCV, TensorFlow
• 데이터셋: COCO Dataset (차량 및 보행자 클래스 사용) 및 커스텀 CCTV 데이터
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
3. 접근 방식 (Approach)
(1) 데이터 수집 및 전처리
• 데이터셋: COCO 데이터셋에서 차량(Vehicle)과 보행자(Person) 클래스 10,000장 추출. 추가로 지역 CCTV에서 수집한 2,000장 영상으로 커스텀 데이터셋 생성.
• 전처리: 이미지 크기 조정(416x416), 밝기 조정, 데이터 증강(회전, 플립, 노이즈 추가).
• 라벨링: 자체 제작한 Tool로 annotation 작업 및 데이터 증강
(2) 모델 선택 및 설계
• YOLOv5s(Small) 모델을 기반으로 시작. 경량화와 속도를 고려해 선택.
• 사전 학습된 가중치(Pre-trained Weights)를 사용해 fine tunning 적용
(3) 학습 과정
• 하이퍼파라미터: 학습률, 배치 크기 Epoch weight decay등 조정
• 손실 함수: YOLO 기본 손실 함수(IoU Loss + Classification Loss), adam등 바꿔가며 적용
• 환경: local AI server에서 test 및 학습
(4) 평가 방법
• 메트릭: mAP@0.5 (Mean Average Precision), FPS (Frames Per Second).
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
4. 결과 (Results)
• 정량적 결과:
o mAP@0.5: 89.7% (차량 92%, 보행자 87%).
o FPS: Jetson Nano에서 25fps, 고사양 GPU에서 60fps 이상.
• 시각적 결과:
o 아래는 테스트 영상에서 차량과 보행자를 탐지한 스크린샷입니다.
이 프로젝트는 CCTV 영상에서 차량과 보행자를 실시간으로 탐지하여 교통 상황을 분석하고 이상 행동을 감지하기 위한 객체 탐지 시스템입니다. 목표는 높은 정확도를 유지하면서도 실시간 처리 및 vision 관련 서버 제작 업무와 model 학습 관련 경험을 시작합니다.
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
2. 사용 기술 (Technologies Used)
• 프로그래밍 언어: Python, C
• 라이브러리: YOLOv5, OpenCV, TensorFlow
• 데이터셋: COCO Dataset (차량 및 보행자 클래스 사용) 및 커스텀 CCTV 데이터
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
3. 접근 방식 (Approach)
(1) 데이터 수집 및 전처리
• 데이터셋: COCO 데이터셋에서 차량(Vehicle)과 보행자(Person) 클래스 10,000장 추출. 추가로 지역 CCTV에서 수집한 2,000장 영상으로 커스텀 데이터셋 생성.
• 전처리: 이미지 크기 조정(416x416), 밝기 조정, 데이터 증강(회전, 플립, 노이즈 추가).
• 라벨링: 자체 제작한 Tool로 annotation 작업 및 데이터 증강
(2) 모델 선택 및 설계
• YOLOv5s(Small) 모델을 기반으로 시작. 경량화와 속도를 고려해 선택.
• 사전 학습된 가중치(Pre-trained Weights)를 사용해 fine tunning 적용
(3) 학습 과정
• 하이퍼파라미터: 학습률, 배치 크기 Epoch weight decay등 조정
• 손실 함수: YOLO 기본 손실 함수(IoU Loss + Classification Loss), adam등 바꿔가며 적용
• 환경: local AI server에서 test 및 학습
(4) 평가 방법
• 메트릭: mAP@0.5 (Mean Average Precision), FPS (Frames Per Second).
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
4. 결과 (Results)
• 정량적 결과:
o mAP@0.5: 89.7% (차량 92%, 보행자 87%).
o FPS: Jetson Nano에서 25fps, 고사양 GPU에서 60fps 이상.
• 시각적 결과:
o 아래는 테스트 영상에서 차량과 보행자를 탐지한 스크린샷입니다.
프로젝트 성과
정량적 결과
• 정량적 결과:
o mAP@0.5: 89.7% (차량 92%, 보행자 87%).
o FPS: Jetson Nano에서 25fps, 고사양 GPU에서 60fps 이상.
• 시각적 결과:
o mAP@0.5: 89.7% (차량 92%, 보행자 87%).
o FPS: Jetson Nano에서 25fps, 고사양 GPU에서 60fps 이상.
• 시각적 결과:
핵심 기능
학습 과정
(3) 학습 과정
• 하이퍼파라미터: 학습률, 배치 크기 Epoch weight decay등 조정
• 손실 함수: YOLO 기본 손실 함수(IoU Loss + Classification Loss),
• 하이퍼파라미터: 학습률, 배치 크기 Epoch weight decay등 조정
• 손실 함수: YOLO 기본 손실 함수(IoU Loss + Classification Loss),
진행 단계
개발
2024.01.
(1) 데이터 수집 및 전처리
• 데이터셋: COCO 데이터셋에서 차량(Vehicle)과 보행자(Person) 클래스 10,000장 추출. 추가로 지역 CCTV에서 수집한 2,000장 영상으로 커스텀 데이터셋 생성
• 데이터셋: COCO 데이터셋에서 차량(Vehicle)과 보행자(Person) 클래스 10,000장 추출. 추가로 지역 CCTV에서 수집한 2,000장 영상으로 커스텀 데이터셋 생성
프로젝트 상세
1. 개요 (Overview)
이 프로젝트는 CCTV 영상에서 차량과 보행자를 실시간으로 탐지하여 교통 상황을 분석하고 이상 행동을 감지하기 위한 객체 탐지 시스템입니다. 목표는 높은 정확도를 유지하면서도 실시간 처리 및 vision 관련 서버 제작 업무와 model 학습 관련 경험을 시작합니다.
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
2. 사용 기술 (Technologies Used)
• 프로그래밍 언어: Python, C
• 라이브러리: YOLOv5, OpenCV, TensorFlow
• 데이터셋: COCO Dataset (차량 및 보행자 클래스 사용) 및 커스텀 CCTV 데이터
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
3. 접근 방식 (Approach)
(1) 데이터 수집 및 전처리
• 데이터셋: COCO 데이터셋에서 차량(Vehicle)과 보행자(Person) 클래스 10,000장 추출. 추가로 지역 CCTV에서 수집한 2,000장 영상으로 커스텀 데이터셋 생성.
• 전처리: 이미지 크기 조정(416x416), 밝기 조정, 데이터 증강(회전, 플립, 노이즈 추가).
• 라벨링: 자체 제작한 Tool로 annotation 작업 및 데이터 증강
(2) 모델 선택 및 설계
• YOLOv5s(Small) 모델을 기반으로 시작. 경량화와 속도를 고려해 선택.
• 사전 학습된 가중치(Pre-trained Weights)를 사용해 fine tunning 적용
(3) 학습 과정
• 하이퍼파라미터: 학습률, 배치 크기 Epoch weight decay등 조정
• 손실 함수: YOLO 기본 손실 함수(IoU Loss + Classification Loss), adam등 바꿔가며 적용
• 환경: local AI server에서 test 및 학습
(4) 평가 방법
• 메트릭: mAP@0.5 (Mean Average Precision), FPS (Frames Per Second).
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
4. 결과 (Results)
• 정량적 결과:
o mAP@0.5: 89.7% (차량 92%, 보행자 87%).
o FPS: Jetson Nano에서 25fps, 고사양 GPU에서 60fps 이상.
• 시각적 결과:
o 아래는 테스트 영상에서 차량과 보행자를 탐지한 스크린샷입니다.
이 프로젝트는 CCTV 영상에서 차량과 보행자를 실시간으로 탐지하여 교통 상황을 분석하고 이상 행동을 감지하기 위한 객체 탐지 시스템입니다. 목표는 높은 정확도를 유지하면서도 실시간 처리 및 vision 관련 서버 제작 업무와 model 학습 관련 경험을 시작합니다.
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
2. 사용 기술 (Technologies Used)
• 프로그래밍 언어: Python, C
• 라이브러리: YOLOv5, OpenCV, TensorFlow
• 데이터셋: COCO Dataset (차량 및 보행자 클래스 사용) 및 커스텀 CCTV 데이터
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
3. 접근 방식 (Approach)
(1) 데이터 수집 및 전처리
• 데이터셋: COCO 데이터셋에서 차량(Vehicle)과 보행자(Person) 클래스 10,000장 추출. 추가로 지역 CCTV에서 수집한 2,000장 영상으로 커스텀 데이터셋 생성.
• 전처리: 이미지 크기 조정(416x416), 밝기 조정, 데이터 증강(회전, 플립, 노이즈 추가).
• 라벨링: 자체 제작한 Tool로 annotation 작업 및 데이터 증강
(2) 모델 선택 및 설계
• YOLOv5s(Small) 모델을 기반으로 시작. 경량화와 속도를 고려해 선택.
• 사전 학습된 가중치(Pre-trained Weights)를 사용해 fine tunning 적용
(3) 학습 과정
• 하이퍼파라미터: 학습률, 배치 크기 Epoch weight decay등 조정
• 손실 함수: YOLO 기본 손실 함수(IoU Loss + Classification Loss), adam등 바꿔가며 적용
• 환경: local AI server에서 test 및 학습
(4) 평가 방법
• 메트릭: mAP@0.5 (Mean Average Precision), FPS (Frames Per Second).
소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노소셜 카지노
4. 결과 (Results)
• 정량적 결과:
o mAP@0.5: 89.7% (차량 92%, 보행자 87%).
o FPS: Jetson Nano에서 25fps, 고사양 GPU에서 60fps 이상.
• 시각적 결과:
o 아래는 테스트 영상에서 차량과 보행자를 탐지한 스크린샷입니다.
