- Fundamentals · 7 분 읽기
머신러닝 입문: 기초 — 데이터 설계, 손실 함수 및 일반화
머신러닝은 단순히 모델 선택만이 아닙니다. 작업 정의, 데이터 분할, 손실 함수 설정, 평가 방법, 배포 변경 사항까지 모두 고려해야 합니다.
- Fundamentals · 7 분 읽기
머신러닝 입문: 신경망 기초
신경망은 아핀 변환과 비선형 활성화 함수를 쌓은 다음, 역전파와 기울기 기반 최적화를 통해 손실을 줄입니다.
- Fundamentals · 22 분 읽기
객체 탐지 및 의미론적 분할 기초 — 이미지에서 "무엇이 어디에 있는지" 파악하기
객체 탐지는 사물 주변에 상자를 그리고, 의미론적 분할은 의미에 따라 모든 픽셀에 색을 입힙니다. 이 둘의 차이점부터 인스턴스 분할과 파노라마 분할, R-CNN에서 YOLO, DETR, DINO로 이어지는 계보, 그리고 3D 포인트 클라우드 기반 알고리즘에 이르기까지, 장면 이해의 기본 원리를 체계적으로 살펴봅니다.
- Fundamentals · 17 분 읽기
YOLO11 심층 분석 — YOLOv8과 비교하여 C3k2 및 C2PSA는 어떻게 변경되었습니까?
공식 문서와 1차 자료를 사용하여 Ultralytics YOLO11을 분석합니다: C3k2, C2PSA, 앵커 없는 검출, DFL/CIoU 손실, 그리고 n/s/m/l/x에 대한 측정 벤치마크.
- Fundamentals · 15 분 읽기
SegFormer 완벽 가이드 — 위치 인코딩이 없는 트랜스포머가 세그멘테이션에 효과적인 이유
본 논문은 NVIDIA, 홍콩대학교 및 공동 연구진이 NeurIPS 2021에서 발표한 SegFormer를 원 논문을 기반으로 분석합니다. 위치 인코딩이 없는 계층적 MiT 인코더, 파라미터 효율적인 All-MLP 디코더, 유효 수용 영역, 측정된 mIoU, 파라미터 개수를 살펴보고, B0에서 B5까지의 과정을 방정식으로 계산합니다.
- Fundamentals · 6 분 읽기
머신러닝 기초: 자세 추정
포즈 추정은 이미지로부터 사람이나 객체의 주요 특징점과 6D 포즈를 추론합니다. 이 입문 과정에서는 좌표, 손실, 가림 현상, 평가 및 안전성에 대해 다룹니다.
- Fundamentals · 7 분 읽기
머신러닝 입문: 생성형 모델
생성형 모델은 데이터 분포를 표현하고 조건부 출력을 생성합니다. 가능성, VAE, GAN, 확산, 평가, 출처 및 안전성을 학습합니다.
- Hands-on · 4 분 읽기
로컬 LLM 벤치마킹: 첫 응답, 생성 속도 및 메모리
첫 번째 답변 내용을 생성률 및 제어와 별도로 측정합니다. residency, caching and memory conditions.