[MMDetection] 강의 목차

강의 개요

• 강의명: MMDetection을 활용한 객체 검출
• 목표: 수강생들이 MMDetection 툴킷을 사용하여 객체 검출 모델을 설정하고 학습하며 평가할 수 있도록 함
• 대상: 컴퓨터 비전 및 딥러닝에 관심이 있는 대학생, 대학원생, 연구원 및 개발자
• 선수 지식: Python, PyTorch 기본 지식, 딥러닝 기본 개념

강의 일정

1주차: MMDetection 소개 및 환경 설정

• 1강: 강의 소개
  • 강의 목표 및 일정 안내
  • 객체 검출 개요 및 응용 분야
• 2강: MMDetection 소개
  • MMDetection의 특징 및 주요 기능
  • 지원하는 모델 아키텍처 및 백본 소개
• 3강: 환경 설정
  • Python, Conda, PyTorch 설치
  • MMDetection 설치 및 기본 구조 설명

2주차: 데이터 준비

• 4강: 데이터셋 이해
  • 객체 검출에 사용되는 주요 데이터셋 (COCO, VOC, Cityscapes 등)
  • 데이터셋 형식 및 어노테이션 방법
• 5강: COCO 데이터셋 준비
  • COCO 데이터셋 다운로드 및 디렉토리 구조 설정
  • 데이터셋 전처리 및 변환

3주차: 모델 설정 및 학습

• 6강: 설정 파일 이해
  • MMDetection 설정 파일 구조 설명
  • 주요 설정 항목 (모델, 데이터, 학습 하이퍼파라미터 등)
• 7강: 모델 선택
  • 다양한 모델 아키텍처 소개 (Faster R-CNN, Mask R-CNN, RetinaNet 등)
  • 프로젝트에 적합한 모델 선택 방법
• 8강: 학습 설정
  • 설정 파일 수정 방법
  • 학습 스크립트 실행 및 로그 분석

4주차: 모델 평가 및 시각화

• 9강: 모델 평가
  • 학습된 모델의 평가 방법
  • 주요 평가 지표 (mAP, Precision, Recall 등)
  • 평가 스크립트 사용 방법
• 10강: 결과 시각화
  • 결과 이미지 시각화 방법
  • inference_detector 및 show_result_pyplot 함수 사용법
• 11강: 프로젝트 실습
  • 개인 또는 팀 프로젝트 주제 선정
  • 데이터셋 준비, 모델 설정 및 학습

5주차: 프로젝트 발표 및 심화 학습

• 12강: 프로젝트 발표
  • 각 팀/개인의 프로젝트 발표 및 피드백
• 13강: 심화 학습
  • Custom 데이터셋 사용 방법
  • 모델 튜닝 및 최적화 방법
• 14강: 종합 토론 및 Q&A
  • 강의 내용 종합 정리
  • 질문 및 답변 시간
  • 추가 학습 자료 및 참고 문헌 소개

참고 자료

• MMDetection 공식 문서
• PyTorch 공식 문서
• COCO 데이터셋

강의 평가 방법

• 출석 및 참여도 (20%)
• 과제 제출 (30%)
• 최종 프로젝트 발표 (50%)

강의 준비물

• 개인 노트북 (CUDA 지원 GPU 권장)
• Anaconda 설치
• Python 및 PyTorch 설치