51일차.

 

 

 

 

---

여기서만 커서 열기 

 

---

251224 손글씨 MNIST 를 파이토치로 구현하기.

 

여기서 알집으로 다운받기

MNIST Dataset

MNIST Dataset

 

 

---

니스트  |  TensorFlow Datasets

니스트  |  TensorFlow Datasets

 

텐서플로 참조 링크

 

 

알집 받은 것 중에 이렇게 하기 

---

 

 

 

우선 공 파일과 폴더 만들기

 

 

 

 

---

 

여기에

 

# 머신러닝 학습의 Hello World 와 같은 MNIST(손글씨 숫자 인식) 문제를 신경망으로 풀어봅니다. import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 텐서플로우에 기본 내장된 mnist 모듈을 이용하여 데이터를 로드합니다. # 지정한 폴더에 MNIST 데이터가 없는 경우 자동으로 데이터를 다운로드합니다. # one_hot 옵션은 레이블을 동물 분류 예제에서 보았던 one_hot 방식의 데이터로 만들어줍니다. mnist = input_data.read_data_sets("./mnist/data/", one_hot=True) # MNIST 데이터를 다운로드 한다. from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) ######### # 신경망 모델 구성 ###### # 입력 값의 차원은 [배치크기, 특성값] 으로 되어 있습니다. # 손글씨 이미지는 28x28 픽셀로 이루어져 있고, 이를 784개의 특성값으로 정합니다. X = tf.placeholder(tf.float32, [None, 784]) # 결과는 0~9 의 10 가지 분류를 가집니다. Y = tf.placeholder(tf.float32, [None, 10]) # 신경망의 레이어는 다음처럼 구성합니다. # 784(입력 특성값) # -> 256 (히든레이어 뉴런 갯수) -> 256 (히든레이어 뉴런 갯수) # -> 10 (결과값 0~9 분류) W1 = tf.Variable(tf.random_normal([784, 256], stddev=0.01)) # 입력값에 가중치를 곱하고 ReLU 함수를 이용하여 레이어를 만듭니다. L1 = tf.nn.relu(tf.matmul(X, W1)) W2 = tf.Variable(tf.random_normal([256, 256], stddev=0.01)) # L1 레이어의 출력값에 가중치를 곱하고 ReLU 함수를 이용하여 레이어를 만듭니다. L2 = tf.nn.relu(tf.matmul(L1, W2)) W3 = tf.Variable(tf.random_normal([256, 10], stddev=0.01)) # 최종 모델의 출력값은 W3 변수를 곱해 10개의 분류를 가지게 됩니다. model = tf.matmul(L2, W3) cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=model, labels=Y)) optimizer = tf.train.AdamOptimizer(0.001).minimize(cost) ######### # 신경망 모델 학습 ###### init = http://tf.global_variables_initializer() sess = tf.Session() http://sess.run(init) batch_size = 100 total_batch = int(mnist.train.num_examples / batch_size) for epoch in range(15): total_cost = 0 for i in range(total_batch): # 텐서플로우의 mnist 모델의 next_batch 함수를 이용해 # 지정한 크기만큼 학습할 데이터를 가져옵니다. batch_xs, batch_ys = http://mnist.train.next_batch(batch_size) _, cost_val = http://sess.run([optimizer, cost], feed_dict={X: batch_xs, Y: batch_ys}) total_cost += cost_val print('Epoch:', '%04d' % (epoch + 1), 'Avg. cost =', '{:.3f}'.format(total_cost / total_batch)) print('최적화 완료!') ######### # 결과 확인 ###### # model 로 예측한 값과 실제 레이블인 Y의 값을 비교합니다. # tf.argmax 함수를 이용해 예측한 값에서 가장 큰 값을 예측한 레이블이라고 평가합니다. # 예) [0.1 0 0 0.7 0 0.2 0 0 0 0] -> 3 is_correct = tf.equal(tf.argmax(model, 1), tf.argmax(Y, 1)) accuracy = tf.reduce_mean(tf.cast(is_correct, tf.float32)) print('정확도:', http://sess.run(accuracy, feed_dict={X: mnist.test.images, Y: mnist.test.labels}))

 

 

---> 이 버전은 텐서플로 버전이고 파이토치 버전에 맞춰서, 숫자인식하는 코드로 변경해줘. 실행은 _main_으로 해줘

 

 

---

 

@app/mnist/number_recognition.py 이 파일만 실행해줘

 

 

python app/mnist/number_recognition.py

 

 

--나중에는 직접 입력하기

 

 

 

---

패션_엠니스트  |  TensorFlow Datasets

패션_엠니스트  |  TensorFlow Datasets

 

여기 들어가기

 

zalandoresearch/fashion-mnist: A MNIST-like fashion product database. Benchmark

GitHub - zalandoresearch/fashion-mnist: A MNIST-like fashion product database. Benchmark

이걸 깃 클론 하기

 

 

 

알집 풀기

 

4개 파일 넣어놓기

 

 

 

---

 

여기에 

 

 

import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt
import numpy as np

class MnistTest:
def __init__(self):
self.class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

def create_model(self) -> []:
fashion_mnist = http://keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

# print('행: %d, 열: %d' % (train_images.shape[0], train_images.shape[1]))
# print('행: %d, 열: %d' % (test_images.shape[0], test_images.shape[1]))

# plt.figure()
# plt.imshow(train_images[3])
# plt.colorbar()
# plt.grid(False)
# http://plt.show()

train_images = train_images / 255.0
test_images = test_images / 255.0

plt.figure(figsize=(10, 10))
for i in range(25):
plt.subplot(5, 5, i + 1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=http://plt.cm.binary)
plt.xlabel(self.class_names[train_labels[i]])
# http://plt.show()

model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10, activation='softmax')
])
"""
relu ( Recitified Linear Unit 정류한 선형 유닛)
미분 가능한 0과 1사이의 값을 갖도록 하는 알고리즘
softmax
nn (neural network )의 최상위층에서 사용되며 classfication 을 위한 function
결과를 확률값으로 해석하기 위한 알고리즘
"""
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# learning
http://model.fit(train_images, train_labels, epochs=5)
# test
test_loss, test_acc = model.evaluate(test_images, test_labels)

print('\n 테스트 정확도: ', test_acc)

# prediction
predictions = model.predict(test_images)
print(predictions[3])
# 10개 클래스에 대한 예측을 그래프화
arr = [predictions,test_labels,test_images]
return arr

def plot_image(self, i, predictions_array, true_label, img)->[]:
print(' === plot_image 로 진입 ===')
predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])

plt.imshow(img, cmap=http://plt.cm.binary)
# http://plt.show()
predicted_label = np.argmax(predictions_array)
if predicted_label == true_label:
color = 'blue'
else:
color = 'red'

plt.xlabel("{} {:2.0f}% ({})".format(self.class_names[predicted_label],
100 * np.max(predictions_array),
self.class_names[true_label]),
color=color)
@staticmethod

def plot_value_array(i, predictions_array, true_label):
predictions_array, true_label = predictions_array[i], true_label[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
thisplot = http://plt.bar(range(10), predictions_array, color="#777777")
plt.ylim([0, 1])
predicted_label = np.argmax(predictions_array)

thisplot[predicted_label].set_color('red')
thisplot[true_label].set_color('blue')

 

---> 이 버전은 텐서플로 버전이고 파이토치 버전에 맞춰서, 패션인식하는 코드로 변경해줘. 실행은 __main__으로 하도록 해줘

python app/mnist/fashion_recognition.py

 

 

 

 

 

 

---

Discover Ultralytics YOLO models | State-of-the-Art Computer Vision

Discover Ultralytics YOLO models | State-of-the-Art Computer Vision

 

 

 

 

 

 

공파일 만들기

 

 

 

 

 

detect 파일이 자동으로 만들어짐 

거기에 이 내용 넣고 프롬프트 넣기

import cv2

class FaceDetect:

    def __init__(self):

        self._cascade = 'haarcascade_frontalface_default.xml'

 

 

 

@face_detect.py (5-6) 이 파일의 경로를 이미지를 참조해서 너가 설정해줘

 

class FaceDetect:

    def __init__(self):

        # 현재 파일의 디렉토리 경로를 기준으로 cascade 파일 경로 설정

        # app/opencv/face_detect.py -> app/data/opencv/haarcascade_frontalface_alt.xml

        current_dir = os.path.dirname(os.path.abspath(__file__))

        cascade_path = os.path.join(

            current_dir, "..", "data", "opencv", "haarcascade_frontalface_alt.xml"

        )

        self._cascade = os.path.normpath(cascade_path)

    def read_file(self, image_path=None):

        cascade = cv2.CascadeClassifier(self._cascade)

        # 이미지 경로 설정 (기본값: app/data/opencv/girl.jpg)

        if image_path is None:

            current_dir = os.path.dirname(os.path.abspath(__file__))

            image_path = os.path.join(current_dir, "..", "data", "opencv", "girl.jpg")

            image_path = os.path.normpath(image_path)

        img = cv2.imread(image_path)

        # 이미지 로드 확인

        if img is None:

            print(f"이미지를 읽을 수 없습니다: {image_path}")

            print("파일 경로를 확인해주세요.")

            return

        face = cascade.detectMultiScale(img, minSize=(150, 150))

        if len(face) == 0:

            print("얼굴을 찾을 수 없습니다.")

            return

        for idx, (x, y, w, h) in enumerate(face):

            print("얼굴인식 인덱스 : ", idx)

            print("얼굴 좌표 : ", x, y, w, h)

        # 출력 파일 경로 설정

        current_dir = os.path.dirname(os.path.abspath(__file__))

        output_path = os.path.join(

            current_dir, "..", "data", "opencv", "face_detect.jpg"

        )

        output_path = os.path.normpath(output_path)

        cv2.imwrite(output_path, img)

        print(f"결과 이미지 저장: {output_path}")

        cv2.imshow("Face Detection", img)

        cv2.waitKey(0)

        cv2.destroyAllWindows()

if __name__ == "__main__":

    face_detect = FaceDetect()

    face_detect.read_file()

 

 

    def read_file(self):

        cascade = cv2.CascadeClassifier(self._cascade)

        img = cv2.imread("face.jpg")

        face = cascade.detectMultiScale(img, minSize=(150, 150))

       

    if len(face) == 0;

    print("얼굴을 찾을 수 없습니다.")

    quit()

    for idx, (x, y, w, h) in enumerate(face):

        print("얼굴인식 인덱스 : ", idx)

        print("얼굴 좌표 : ", x, y, w, h)

        cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)

    cv2.imwrite("face_detect.jpg", img)

    cv2.imshow("Face Detection", img)

    cv2.waitKey(0)

    cv2.destroyAllWindows()

   

    if __name__ == "__main__":

        face_detect = FaceDetect()

        face_detect.read_file()

 

 

 

 

 

python face_detect.py

 

 

 

 

얼굴이 뽝 뜸!

얼굴 사진으로 되어있어야함

 

 

 

@staticmethod

def mosaic(img, rect, size): (x1, y1, x2, y2) = rect w = x2 - x1 h = y2 - y1 i_rect = img[y1:y2, x1:x2] i_small = cv2.resize(i_rect, (size, size)) i_mos = cv2.resize(i_small, (w, h), interpolation=cv2.INTER_AREA) img2 = img.copy() img2[y1:y2, x1:x2] = i_mos return img2

 

-- 모자이크 추가 

 

 

    @staticmethod

    def mosaic(img, rect, size):

        (x1, y1, x2, y2) = rect

        w = x2 - x1

        h = y2 - y1

        i_rect = img[y1:y2, x1:x2]

        i_small = cv2.resize(i_rect, (size, size))

        i_mos = cv2.resize(i_small, (w, h), interpolation=cv2.INTER_AREA)

        img2 = img.copy()

        img2[y1:y2, x1:x2] = i_mos

        return img2

 

 

 

 

 

이미지 생성하기, 모자이크 하기