【딥 러닝 및 컴퓨터 비전 입문】기초 지식 학습 및 환경 구축 및 고급 자습서 및 실용적인 프로젝트 권장 사항

1. 기본 개념

1. mAP(평균평균정밀도): 표적탐지평가지표, 카테고리별 AP의 평균값
2. 정밀도: 정밀도 비율, 즉 검색 후 반환된 결과에서 전체 결과에 대한 정말 정확한 숫자의 비율
3. 리콜: 리콜율, 즉 전체 데이터 세트(검색 및 미검색)에서 실제로 정확한 숫자에 대한 검색 결과의 정확한 숫자의 비율입니다.
4. FN: False Negative, 음성 샘플로 판단되지만 실제로는 양성 샘플입니다.
5. FP: False Positive, 양성 샘플로 판단되지만 실제로는 음성 샘플입니다.
6. TN: 네거티브 샘플로 판단되는 True Negative는 실제로는 네거티브 샘플입니다.
7. TP: True Positive, 양성 샘플로 판단, 실제로는 증명 샘플이기도 함
   * 기억 방법: 약어를 두 부분, 첫 번째 문자(F, T)와 두 번째 문자(P, N)로 나눕니다. 우선, 두 번째 문자, 즉 샘플의 속성이 무엇이어야 한다고 생각하는지(긍정적 또는 부정적), 첫 번째 문자는 판단에 대한 평가(거짓 또는 참)를 파악합니다. 여기서 중국어는 이해하기 어려울 수 있으므로 영어로 설명하고 싶습니다. 두 번째 문자: 샘플에 대한 귀하의 판단은 무엇입니까? 세차 = TP/(TP+FP)
   즉
   , 검색 결과에는 양수여야 한다고 생각하는 샘플이 모두 있지만(두 번째 문자는 모두 P) 판단한 합계가 있습니다. 오판(첫 글자에 T, F가 있음).
   회수=TP/(TP+FN) 즉, 검색 결과에서 양성이라고 판단한 샘플이 실제로 양성이고, 검색 결과에서 음성으로 판단하지 않았지만 실제로는 양성인 샘플(FN) .
8. backbone, head, neck 등 딥러닝 용어 설명
9. NMS
10. 공통 모델 라이브러리 소개:
    https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html
11. IDE: VScode 권장 이점: 크로스 플랫폼, 무료, 경량 및 확장 가능, 구문 강조 표시, 코드 자동 완성(IntelliSense), 코드 리팩토링, 보기 정의 기능, 내장된 명령줄 도구 및 Git 버전 제어 시스템 지원 .
12. Anaconda: 데이터 과학 연구에 Python을 쉽게 사용할 수 있도록 설정된 소프트웨어 패키지 세트로, 데이터 과학 분야의 일반적인 Python 라이브러리를 다루고 소프트웨어 환경 종속성을 해결하도록 특별히 설계된 conda 패키지 관리 시스템과 함께 제공됩니다. 주로 패키지 관리 및 환경 관리 기능을 제공하여 다양한 타사 패키지 설치뿐만 아니라 여러 버전의 파이썬 공존 및 전환 문제를 쉽게 해결할 수 있습니다. Anaconda는 도구/명령 conda를 사용하여 패키지 및 환경을 관리하고 이미 Python 및 관련 지원 도구를 포함하고 있습니다.
13. Cuda(NVIDIA 그래픽 카드가 있는 장치에서만 실행 가능): NVIDIA에서 출시한 병렬 컴퓨팅 프레임워크로 자체 GPU에서만 사용할 수 있습니다. 주류 딥 러닝 프레임워크도 GPU 병렬 가속을 위한 CUDA를 기반으로 합니다.
14. Cudnn: 심층 합성곱 신경망을 위한 가속 라이브러리입니다.
15. NVIDIA TensorRT: 프로덕션 환경에서 딥 러닝 애플리케이션을 배포하기 위한 고성능 신경망 추론(추론) 엔진 애플리케이션에는 이미지 분류, 분할 및 개체 감지 등이 포함되어 최대 추론 처리량과 효율성을 제공합니다.
16. Jupyter Notebook: 대화형 컴퓨팅을 위한 웹 기반 애플리케이션입니다. 개발, 문서화, 코드 실행 및 결과 표시와 같은 전체 컴퓨팅 프로세스에 적용할 수 있습니다.

2. 환경 전개

1. 딥러닝 환경 구성 Anaconda+Pycharm+CUDA+CUdnn+PyTorch+Tensorflow

2. Cuda 설치 튜토리얼

3. [우분투 20.04 파이토치 환경 구축] 딥러닝 | 그래픽 설치 과정

4. 여는 올바른 방법 - ANACONDA 및 jupyter 설치

3. 고급 튜토리얼

1. 자동 혼합 정밀 훈련(패들 패들 기반)
2. Yolo 시리즈의 Yolov3&Yolov4&Yolov5&Yolox의 핵심 기본 지식에 대한 완전한 설명
3. Yolo 시리즈에서 Yolov5의 핵심 기본 지식에 대한 완전한 설명
4. 마이그레이션 학습 - 미세 조정
5. YOLOv5는 목표 감지를 달성합니다(고양이 인식을 위한 자체 데이터 세트 교육).

4. 시작하기 프로젝트 추천

1. 처음부터 매우 상세한 yolov5 모델 교육
2. YOLOV5를 사용하여 자신의 대상 감지 모델을 훈련하는 방법을 알려줍니다 - 마스크 감지 - 비디오 자습서
3. Raspberry Pi에 안전모 감지 YoloV3 모델 배포(패들패들 기반)

5. 문제 분석 및 해결

1. 딥 러닝 PyTorch 및 TensorFlow의 낮은 GPU 사용률, 낮은 CPU 사용률 및 느린 모델 교육 속도 요약 및 분석

6. 참조 학습 자료

1. 실습 딥 러닝 PyTorch 버전(GitHub 소스 코드, Jupyter 노트북 학습 포함)
   링크:
   https://space.bilibili.com/1567748478/channel/seriesdetail?sid=358497
   https://zh.d2l.ai/index. html https://zh.d2l.ai/index.html
   https://github.com/d2l-ai/d2l-zh

2. Wu Enda 딥 러닝 deeplearn.ai

3. PyTorch 딥 러닝 빠른 시작 자습서