상세정보
미리보기
실전! 프로젝트로 배우는 딥러닝 컴퓨터비전
- 저자
- 김혜진,왕진영 공저
- 출판사
- 위키북스
- 출판일
- 2025-10-24
- 등록일
- 2026-10-12
- 파일포맷
- PDF
- 파일크기
- 25MB
- 공급사
- YES24
- 지원기기
-
PC
PHONE
TABLET
웹뷰어
프로그램 수동설치
뷰어프로그램 설치 안내
책소개
딥러닝 영상처리의 핵심 이론과 컴퓨터비전·자율주행 프로젝트를 배우다!『실전! 프로젝트로 배우는 딥러닝 컴퓨터비전』은 딥러닝 컴퓨터비전과 자율 주행의 전문가가 되고자 하는 대학생과 개발 입문자를 위한 학습 자료로, 딥러닝 영상처리의 핵심 이론과 관련 문제 해결에 적용 가능한 입문용 미니 프로젝트들을 다룬다. 책은 총 3부로 구성돼 있다. 1부에서는 딥러닝 컴퓨터비전의 기초 이론부터 심층 신경망과 콘볼루션 신경망(CNN)의 기본 원리, 유명한 CNN 구조 소개와 함께 객체 인식을 위한 SSD와 YOLOv4~v11까지 폭넓게 다룬다. 2부에서는 실제 문제를 해결하기 위한 프로젝트를 다양하게 제시한다. 기초적인 이미지 분류 모델을 활용한 재활용품 분류, SSD 객체 인식 모델을 활용한 사물 인지 CCTV, YOLO 객체 인식 모델을 활용한 횡단보도 보행자 인식이 포함돼 있다. 3부에서는 동일한 프로젝트를 엔비디아 젯슨 나노 환경에서 수행할 수 있는 방법을 제시한다. 이를 통해 독자들은 임베디드 환경에서 딥러닝 컴퓨터비전 프로젝트를 구현하는 데 필요한 지식을 습득할 수 있다.
저자소개
2022년 3월부터 스트라드비젼에서 알고리즘 엔지니어로 재직하고 있으며, 주요 관심 분야는 컴퓨터비전, 머신러닝, 딥러닝 등이다. 한양대학교에서 기계공학 학사와 박사 학위를 취득했다.
목차
[PART 0] 프롤로그0.1 딥러닝 영상분석이란?0.2 인공지능 카메라로 무엇을 할 수 있을까?0.3 이 책의 실습 준비___구글 코랩에서 실습 준비___윈도우 프로젝트 환경 시작하기[PART 1] 딥러닝 영상분석을 배워보자 1장: 딥러닝 영상분석 소개1.1 대표적인 딥러닝 영상분석 기법 3가지___이미지 분류___이미지 객체 인식___이미지 분할1.2 영상분석을 위한 딥러닝 이해하기___인공지능 역사 속의 딥러닝___심층 신경망의 이해1.3 딥러닝 모델의 기본 구조___딥러닝 훈련 과정과 추론___손실 함수와 가중치의 최적화___경사 하강법과 역전파___소프트맥스 함수1.4 ANN MNIST 파이토치 예제 2장: 딥러닝 영상분석의 시작, CNN2.1 왜 딥러닝 영상분석에서 CNN이 중요한가?___영상분석에서 입력 데이터의 특징___FC 레이어와 Conv 레이어2.2 CNN 이해하기___활성화 맵과 특징 맵의 차이___Conv와 Pooling 레이어의 역할2.3 딥러닝 학습 과정 준비___데이터세트 준비___활성화 함수___LeNet: CNN MNIST 파이토치 예제 3장: 딥러닝 영상분석을 위한 학습 과정3.1 가중치의 최적화 솔버들___SGD + 모멘텀___Adagrad___RMSProp___Adam3.2 딥러닝 결과를 향상시키는 방법___배치 정규화___데이터 증강과 전이학습3.3 인기 있는 CNN 네트워크 구조___AlexNet: 최초의 CNN 기반 이미지 분류 대회 우승___VGGNet: 단순하면서 성능이 좋은 네트워크___GoogLeNet: 구글이 만들고 모두가 사용하는 네트워크___ResNet: 가장 깊고 성능이 좋은 네트워크3.4 ResNet 파이토치 예제___파이토치 분류 모델 훈련___파이토치 분류 모델 추론 4장: 이미지 분할과 객체 인식4.1 이미지 분할___이미지 분할 개념___모델의 평가지표___FCN 이미지 분할4.2 이미지 객체 인식___이미지 객체 인식의 기본 개념___Faster R-CNN4.3 YOLO: 최초의 실시간 객체 인식 네트워크___YOLO: You Only Look Once___YOLOv2: 더 좋은, 더 빠른, 더 강력한___YOLOv3: 점진적 개선4.4 SSD: Faster R-CNN과 YOLO의 장점을 취합___SSD: Single Shot Multi Box Detector4.5 그 밖의 네트워크___Mask R-CNN: 이미지 객체 분할___MobileNet v2: 작지만 강력한 객체 인식___YOLOv4: 새로운 YOLO___YOLOv4-tiny: 소형 장치용 tiny 버전4.6 YOLOv4 실습___실습 준비___학습___심층 신경망 학습___코랩에서 이미지 추론 테스트[PART 2] 딥러닝을 활용한 영상분석 프로젝트 5장: 이미지 분류를 활용한 재활용품 분류5.1 재활용품 분리수거 프로젝트 개요5.2 데이터세트 클래스___파이토치 커스텀 데이터세트 클래스___이미지 분류를 위한 데이터세트 클래스5.3 심층 신경망 구현___모듈 임포트___MODEL의 핵심 구조___ __init__ 메서드 구현___forward 메서드 구현5.4 전이학습 심층 신경망 구현5.5 심층 신경망 학습 클래스___클래스의 구조___ __init__ 메서드 구현___prepare_network 메서드 구현___training_network 메서드 구현5.6 코랩에서 심층 신경망으로 학습___파이썬 클래스와 데이터세트 다운로드___학습___모델 다운로드5.7 코랩에서 이미지 추론 테스트5.8 윈도우 환경에서 추론 실습___재활용품 분류 추론 코드___재활용품 분류 추론 실행5.9 요약 6장: SSD 사물인지 CCTV6.1 프로젝트 목표와 사용자 시나리오6.2 실습 준비___구글 드라이브 구성 및 소스 코드 다운로드___오픈 이미지 데이터세트 다운로드___데이터세트 클래스(OpenImagesDataset)6.3 네트워크 학습___SSD MobileNet v1 심층 신경망___SSD MobileNet v1 학습 클래스___SSD MobileNet v1 학습하기___코랩에서 추론 테스트6.4 윈도우 환경에서 프로젝트 추론 실습___SSD 사물 인지 CCTV 추론(동영상 및 카메라 영상 추론) 코드 설명___SSD 사물 인지 CCTV 추론 응용(객체 감지 로깅) 코드 설명___SSD 사물 인지 CCTV 추론 실행6.5 요약 7장: YOLO를 활용한 횡단보도 보행자 보호 시스템7.1 프로젝트 목표와 사용자 시나리오7.2 YOLOv5 실습 준비___데이터세트 준비___YOLOv5 훈련7.3 윈도우에서 YOLOv5 추론 실습___윈도우에서 YOLOv5 추론 준비___YOLOv5 추론 테스트7.4 YOLOv7 실습 준비___YOLOv7 설명___데이터세트 준비___YOLOv7 훈련7.5 윈도우에서 YOLOv7 추론 실습___윈도우에서 YOLOv7 추론 준비___YOLOv7 추론 테스트7.6 요약[PART 3] 젯슨 나노와 젯봇 활용 8장: 젯슨 나노 추론 프로젝트8.1 젯슨 나노 시작하기___젯슨 나노 명세___젯슨 나노 부팅하기___기본 깃허브 소스 확인___젯슨 나노의 카메라 테스트___젯슨 나노 딥러닝 기본 세팅 확인___AI 가속화 엔진8.2 젯슨 나노에서 재활용품 분류 추론___재활용품 분류 추론 준비___재활용품 분류 추론 실행8.3 SSD 사물 인지 CCTV 젯슨 나노 추론___정지 사진의 SSD 추론 테스트___동영상 및 카메라 영상 추론 코드___SSD 사물 인지 CCTV 추론 응용(객체 감지 로깅) 코드 설명___SSD 사물 인지 CCTV 추론 실행___SSD 사물 인지 CCTV 추론 응용(객체 감지 로깅) 실행8.4 YOLOv4 현장 촬영 블랙박스 젯슨 나노 추론___추론 준비___다크넷 블랙박스 추론 코드8.5 YOLOv5 횡단보도 보행자 보호 시스템 젯슨 나노 추론___젯슨 나노에서 추론 준비___TensorRT 최적화___TensorRT를 활용한 추론8.6 요약 9장: 세 가지 AI 모바일 로봇 프로젝트9.1 AI 모바일 로봇 프로젝트 준비___AI 모바일 로봇 준비___AI 모바일 로봇 기본 환경___AI 모바일 로봇 기본 테스트___전원 모드 설정9.2 충돌 회피를 위한 자동 긴급 제동___충돌 회피를 위한 상황 데이터 수집___AlexNet 네트워크로 훈련___충돌 회피를 위한 자동 긴급 제동 코드___AI-모바일 로봇 자동 긴급 제동 테스트9.3 팔로잉봇___추론 가속화 엔진 라이브러리___추론 가속화 사물 인식 모델 예제 코드___팔로잉봇 테스트 코드___미리 훈련된 모델로 팔로잉봇 테스트___CCTV용 SSD 모델로 팔로잉봇 테스트9.4 차선 인지 자율주행___차선 데이터 수집(간이 테스트)___ResNet-18 네트워크로 회귀 모델 훈련___차선 인식 자율주행 테스트 (간이 테스트)___차선 인식 자율주행 테스트 실행___차선 데이터 수집과 훈련 (트랙 테스트)___차선 인식 자율주행 테스트(트랙 테스트)9.5 요약
