Attention please

Why Did We Start This Project? 이번 프로젝트는 생성 모델 중 캡션을 기반으로 하여 이미지를 변환시키도록 학습된 instruct pix2pix 모델을 활용하여 채색이 되지 않은 캐릭터 사진을 단순히 텍스트만으로 색을 칠하도록 하는 시스템을 만들어보고자 시작하게 되었습니다. 위 사진과 같이 원래 캐릭터의 모습은 왼쪽 이미지와 같습니다. 전체적으로 푸른색을 띄고있는 캐릭터이죠. 하지만 본 프로젝트에서 개발한 시스템을 기반으로 다음과 같이 텍스트를 입력해주었습니다. Turn it into a creature with a white belly and a red face and back. 간단하게 설명하자면 기존 캐릭터의 푸른색을 띄고 있는 부분을 붉은색으로 색을 칠하라고 캡션을 입력해주었..

이번에 진행한 프로젝트는 python 패키지 중 매크로를 제작할 때 유용한 pyautogui를 사용하여 간단한 카카오톡 예약 메세지 기능을 구현해보았습니다. 사실 카카오톡 자체에는 예약 메세지 기능이 존재합니다. 해당 기능은 1:1 톡방이나 단톡방에서는 사용이 가능하나 오픈채팅방에서는 예약 메세지 기능이 존재하지 않습니다. 물론 오픈채팅방에 예약 메세지를 보낼 일이 별로 없어서 불편함을 느끼진 않았지만 이번에 학교에서 진행하는 데이터 청년 캠퍼스 에서 조교를 맡다보니 출석 메세지를 10시, 10시30분, 1시30분, 2시에 보내야하는 문제가 생겼습니다. 물론 수동으로 메세지를 보내도 되긴 하지만......요즘 방학 시즌이다보니 밤낮이 바뀌는 바람에 오전에 일어나기가 너무 힘들더라구요..ㅠ 그래서 이번 기..

이번에 소개할 프로젝트는 opencv를 활용한 얼굴 감지 CCTV이다. 위 동영상처럼 얼굴을 감지하기 위해 mediapipe 라이브러리를 사용하였다. mediapipe는 얼굴 감지 뿐만 아닌 Object Detection, KNIFT 등등 다양한 기능들이 존재한다. https://google.github.io/mediapipe/ Home Cross-platform, customizable ML solutions for live and streaming media. google.github.io 이번에 필요한 기능은 face detection이기 때문에 관련 코드를 먼저 가져왔다. import cv2 import mediapipe as mp mp_face_detection = mp.solutions.fac..

이번에 해볼 것은 말 그대로 이미지의 원하는 부분을 스캔하는 것이다. 먼저 본 이미지가 잘 실행되는지 확인해주자. import cv2 import numpy as np img = cv2.imread('cafe.jpg') cv2.imshow('img', img) cv2.waitKey(0) cv2.destroyAllWindows() 좌표 구하기 직접 그림판을 열어서 원하는 지점의 좌표를 얻는 것 역시 하나의 방법이지만 너무 번거롭다. OpenCV 라이브러리에는 마우스의 움직임을 감지하는 마우스 이벤트 기능이 존재한다. 다음 코드는 간단하게 왼쪽 마우스를 클릭하면 해당 지점의 좌표가 출력되도록 구성되었다. img = cv2.imread('cafe.jpg') drawing = False def mouse_han..

What Experiment? KLUE 데이터셋은 Korean Language Understanding Evaluation 의 약자로 한국어 모델 성능을 평가하기 위한 벤치마크 데이터셋이다. KLUE 데이터셋에는 총 8가지의 task가 존재하는데 그 중에서도 이번에 활용할 task는 TC(Topic Classification) 이다. 이번 프로젝트의 주제는 위에서 설명한 KLUE 데이터를 사용하여 북마크된 기사들의 제목들을 각 topic에 맞게 분류하는 것이다. 예를 들어 "[삼성화재배 AI와 함께하는 바둑 해설] 조용히 완성된 철갑 공격군 | 중앙일보" 라는 기사 제목을 보고 "IT과학" 으로 분류한다. 구글에는 원하는 페이지를 북마크할 수 있는 기능이 존재한다. 이 북마크에는 다양한 기능이 존재하는데..

What Experiment? 영역 분할(segmentation) 딥러닝 모델은 의료영상에서 많이 쓰이며 또 발전해왔다. 의료영상은 질환에 따라 영상의 종류와 feature가 전부 다르며, 딥러닝 모델 역시 영역 분할을 위해 개발된 다양한 모델들이 존재한다. 하지만 새로운 의료영상이 주어졌을 때 어떤 딥러닝 모델이 적합할지 선택할 때 어려움을 겪을 수 있다. 이러한 문제를 해결하고자 여러 종류의 의료영상에 대해 다양한 딥러닝 모델로 실험을 하여 성능을 비교하였다. Dataset 의료영상에서 병변 영역을 검출할 때 가장 중요한 것은 의료영상의 종류이다. 어떤 종류의 영상인지에 따라 feature가 다르기 때문에 이는 모델 성능에 직접적으로 영향을 미친다. 이미 다양한 의료영상들이 나와있으며 이번 실험을 위..