반응형 [MMDetection] 5주차: 프로젝트 발표 및 심화 학습 강의 목표수강생들이 진행한 프로젝트를 발표하고 피드백을 받는다.MMDetection의 심화 기능을 학습한다.Custom 데이터셋을 사용한 모델 학습 및 최적화 방법을 이해한다.강의 구성12강: 프로젝트 발표 (60분)내용수강생 프로젝트 발표발표 후 피드백 및 Q&A 시간활동각 팀/개인의 프로젝트 발표 (프로젝트 주제, 데이터셋, 모델, 결과 등)피드백 제공 및 개선 사항 논의13강: 심화 학습 (60분)내용MMDetection의 심화 기능 소개Custom 데이터셋 사용 방법모델 튜닝 및 최적화 방법활동Custom 데이터셋 예제 탐색Q&A 시간14강: 종합 토론 및 Q&A (60분)내용강의 내용 종합 정리추가 학습 자료 및 참고 문헌 소개전체 Q&A 시간활동토론 및 의견 교환최종 피드백 및 수료식강의 자료.. 2024. 5. 31. [PyTorch] 5주차: 데이터셋 및 DataLoader 강의 목표PyTorch에서 데이터셋을 다루는 방법 이해torch.utils.data.Dataset 및 torch.utils.data.DataLoader 클래스 사용법 습득데이터 전처리 및 배치 처리를 통한 효율적인 데이터 관리 방법 이해강의 내용1. 데이터셋 다루기PyTorch Dataset 클래스Dataset 클래스는 데이터셋을 추상화하여 데이터 로드 및 전처리를 쉽게 할 수 있도록 합니다.커스텀 데이터셋을 작성하여 다양한 데이터 형식 지원 import torchfrom torch.utils.data import Datasetclass CustomDataset(Dataset): def __init__(self, data, labels): self.data = data se.. 2024. 5. 30. [MMEngine] Tutorial - Dataset과 DataLoader - Pytorch의 Dataset과 DataLoader 클래스의 개념에서 기반 DataLoader - DataLoader는 MMEngine의 Runner에 3가지 형태의 인수로 구성됨 - train_dataloader: 모델에 학습 데이터를 제공할기 위해 Runner.train()를 사용 - val_dataloader: 일정한 간격으로 모델 평가를 위해 Runner.train() Runner.val()를 사용 - test_dataloader: 최종 평가때 Runner.test()를 사용 - PyTorch의 DataLoader를 지원. Registry Mechanism of MMEngine 덕분에 dict형태로 인자를 받아들임. - dict형태로 Runner 전달시 lazily built in runner.. 2024. 1. 14. 이전 1 다음 반응형
