★ 이 책에서 다루는 내용 ★ ◎ 딥러닝 영상처리의 핵심 이론 ◎ 유명한 CNN 구조와 객체 인식을 위한 SSD, YOLOv4~v7 ◎ 이미지 분류, 객체 인식 실습 ◎ 엔비디아 젯슨 나노를 활용한 컴퓨터비전 프로젝트 ◎ 모바일 로봇(JetBot) 자율주행 프로젝트 ★ 이 책의 실습에 도움을 주는 유튜브 채널 ★ https://www.youtube.com/@alssaem

[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