딥러닝 영상처리의 핵심 이론과 컴퓨터비전·자율주행 프로젝트를 배웁니다!

이 책은 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~v7까지 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.

[목 차]

[PART 0] 프롤로그

0.1 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 소개
1.1 대표적인 딥러닝 영상분석 기법 3가지
___이미지 분류
___이미지 객체 인식
___이미지 분할
1.2 영상분석을 위한 딥러닝 이해하기
___인공지능 역사 속의 딥러닝
___심층 신경망의 이해
1.3 딥러닝 모델의 기본 구조
___딥러닝 훈련 과정과 추론
___손실 함수와 가중치의 최적화
___경사 하강법과 역전파
___소프트맥스 함수
1.4 ANN MNIST 파이토치 예제

▣ 2장: 딥러닝 영상분석의 시작, CNN
2.1 왜 딥러닝 영상분석에서 CNN이 중요한가?
___영상분석에서 입력 데이터의 특징
___FC 레이어와 Conv 레이어
2.2 CNN 이해하기
___활성화 맵과 특징 맵의 차이
___Conv와 Pooling 레이어의 역할
2.3 딥러닝 학습 과정 준비
___데이터세트 준비
___활성화 함수
___LeNet: CNN MNIST 파이토치 예제

▣ 3장: 딥러닝 영상분석을 위한 학습 과정
3.1 가중치의 최적화 솔버들
___SGD + 모멘텀
___Adagrad
___RMSProp
___Adam
3.2 딥러닝 결과를 향상시키는 방법
___배치 정규화
___데이터 증강과 전이학습
3.3 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 네트워크
3.4 ResNet 파이토치 예제
___파이토치 분류 모델 훈련
___파이토치 분류 모델 추론

▣ 4장: 이미지 분할과 객체 인식
4.1 이미지 분할
___이미지 분할 개념
___모델의 평가지표
___FCN 이미지 분할
4.2 이미지 객체 인식
___이미지 객체 인식의 기본 개념
___Faster R-CNN
4.3 YOLO: 최초의 실시간 객체 인식 네트워크
___YOLO: You Only Look Once
___YOLOv2: 더 좋은, 더 빠른, 더 강력한
___YOLOv3: 점진적 개선
4.4 SSD: Faster R-CNN과 YOLO의 장점을 취합
___SSD: Single Shot Multi Box Detector
4.5 그 밖의 네트워크
___Mask R-CNN: 이미지 객체 분할
___MobileNet v2: 작지만 강력한 객체 인식
___YOLOv4: 새로운 YOLO
___YOLOv4-tiny: 소형 장치용 tiny 버전
4.6 YOLOv4 실습
___실습 준비
___학습
___심층 신경망 학습
___코랩에서 이미지 추론 테스트

[PART 2] 딥러닝을 활용한 영상분석 프로젝트

▣ 5장: 이미지 분류를 활용한 재활용품 분류
5.1 재활용품 분리수거 프로젝트 개요
5.2 데이터세트 클래스
___파이토치 커스텀 데이터세트 클래스
___이미지 분류를 위한 데이터세트 클래스
5.3 심층 신경망 구현
___모듈 임포트
___MODEL의 핵심 구조
_____init__ 메서드 구현
___forward 메서드 구현
5.4 전이학습 심층 신경망 구현
5.5 심층 신경망 학습 클래스
___클래스의 구조
_____init__ 메서드 구현
___prepare_network 메서드 구현
___training_network 메서드 구현
5.6 코랩에서 심층 신경망으로 학습
___파이썬 클래스와 데이터세트 다운로드
___학습
___모델 다운로드
5.7 코랩에서 이미지 추론 테스트
5.8 윈도우 환경에서 추론 실습
___재활용품 분류 추론 코드
___재활용품 분류 추론 실행
5.9 요약

▣ 6장: SSD 사물인지 CCTV
6.1 프로젝트 목표와 사용자 시나리오
6.2 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 테스트
6.4 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 실행
6.5 요약

▣ 7장: YOLO를 활용한 횡단보도 보행자 보호 시스템
7.1 프로젝트 목표와 사용자 시나리오
7.2 YOLOv5 실습 준비
___데이터세트 준비
___YOLOv5 훈련
7.3 윈도우에서 YOLOv5 추론 실습
___윈도우에서 YOLOv5 추론 준비
___YOLOv5 추론 테스트
7.4 YOLOv7 실습 준비
___YOLOv7 설명
___데이터세트 준비
___YOLOv7 훈련
7.5 윈도우에서 YOLOv7 추론 실습
___윈도우에서 YOLOv7 추론 준비
___YOLOv7 추론 테스트
7.6 요약

[PART 3] 젯슨 나노와 젯봇 활용

▣ 8장: 젯슨 나노 추론 프로젝트
8.1 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 엔진
8.2 젯슨 나노에서 재활용품 분류 추론
___재활용품 분류 추론 준비
___재활용품 분류 추론 실행
8.3 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) 실행
8.4 YOLOv4 현장 촬영 블랙박스 젯슨 나노 추론
___추론 준비
___다크넷 블랙박스 추론 코드
8.5 YOLOv5 횡단보도 보행자 보호 시스템 젯슨 나노 추론
___젯슨 나노에서 추론 준비
___TensorRT 최적화
___TensorRT를 활용한 추론
8.6 요약

▣ 9장: 세 가지 AI 모바일 로봇 프로젝트
9.1 AI 모바일 로봇 프로젝트 준비
___AI 모바일 로봇 준비
___AI 모바일 로봇 기본 환경
___AI 모바일 로봇 기본 테스트
___전원 모드 설정
9.2 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 테스트
9.3 팔로잉봇
___추론 가속화 엔진 라이브러리
___추론 가속화 사물 인식 모델 예제 코드
___팔로잉봇 테스트 코드
___미리 훈련된 모델로 팔로잉봇 테스트
___CCTV용 SSD 모델로 팔로잉봇 테스트
9.4 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