고양이 두 잔

목차 프로덕션 모델을 라벨러로: 자동 라벨링과 데이터 누수 차단 | RF-DETR 파인튜닝 (1)model.train() 한 줄 뒤: AdamW와 손실함수, 헝가리안 매칭 | RF-DETR 파인튜닝 (2)ONNX 변환과 FP16 붕괴, 배포의 함정 | RF-DETR 파인튜닝 (3)91클래스 vs 2클래스, 파인튜닝은 정말 나았는가 | RF-DETR 파인튜닝 (추가)들어가며1부에서 데이터를 만들고, 2부에서 파인튜닝을 했으며, 3부에서 모델을 배포했다. 이번 별도 편은 한 가지 질문에 답한다. 기존 COCO 91 클래스 모델을 2 클래스로 파인튜닝한 것이 정말 나은 선택이었는가. 이 질문은 코드가 아니라 측정 수치로만 답할 수 있다. 그래서 이 글은 기존 모델과 파인튜닝 모델을 동일한 조건에서 비교한 실측..

목차 프로덕션 모델을 라벨러로: 자동 라벨링과 데이터 누수 차단 | RF-DETR 파인튜닝 (1)model.train() 한 줄 뒤: AdamW와 손실함수, 헝가리안 매칭 | RF-DETR 파인튜닝 (2)ONNX 변환과 FP16 붕괴, 배포의 함정 | RF-DETR 파인튜닝 (3)91클래스 vs 2클래스, 파인튜닝은 정말 나았는가 | RF-DETR 파인튜닝 (추가)들어가며1부에서는 데이터셋을 만들었고, 2부에서는 그 데이터로 RF-DETR(Roboflow Detection Transformer) 모델을 파인튜닝했다. 이번 글은 학습이 끝난 모델을 실제 서비스에 배포하는 과정을 다룬다. 학습은 끝이 아니며, 모델을 내보내고 배포하는 단계에는 고유한 함정이 있다. 학습 환경과 서비스 환경이 서로 다르기 때문..

목차 프로덕션 모델을 라벨러로: 자동 라벨링과 데이터 누수 차단 | RF-DETR 파인튜닝 (1)model.train() 한 줄 뒤: AdamW와 손실함수, 헝가리안 매칭 | RF-DETR 파인튜닝 (2)ONNX 변환과 FP16 붕괴, 배포의 함정 | RF-DETR 파인튜닝 (3)91클래스 vs 2클래스, 파인튜닝은 정말 나았는가 | RF-DETR 파인튜닝 (추가)들어가며1부에서는 프로덕션 모델을 자동 라벨러로 재활용하고 선수 단위로 분할해 누수 없는 학습 데이터셋을 만들었다. 이번 글은 그 데이터로 실제 학습이 어떻게 진행되는지를 다룬다. 내 train.py의 핵심은 사실상 두 줄로, 모델을 생성하고 학습을 호출하는 것이 전부다. 옵티마이저(최적화기)와 손실함수와 매칭 같은 실제 학습 알고리즘은 내 코..

목차 프로덕션 모델을 라벨러로: 자동 라벨링과 데이터 누수 차단 | RF-DETR 파인튜닝 (1)model.train() 한 줄 뒤: AdamW와 손실함수, 헝가리안 매칭 | RF-DETR 파인튜닝 (2)ONNX 변환과 FP16 붕괴, 배포의 함정 | RF-DETR 파인튜닝 (3)91클래스 vs 2클래스, 파인튜닝은 정말 나았는가 | RF-DETR 파인튜닝 (추가)들어가며8round는 한 선수가 정해진 코스를 도는 드리블 측정 세션을 4대의 카메라로 촬영해 분석하는 비전 AI(영상 기반 인공지능) 시스템이다. 이 시스템에는 영상 속에서 사람(person)과 공(ball)을 찾아내는 객체 검출기(object detector)가 필요하다. 기존 프로덕션 환경은 COCO 91 클래스(91개 사물 범주) 모델을..