본문 바로가기
반응형

Ai4

[ Yolov5/object detection] Custom Dataset을 통한 객체 탐지 모델 구현하기 1. 이미지 데이터 전처리보유 및 공공 데이터를 활용하고 싶다면 아래 링크에서 라벨링 가능 (json -> txt)또한 train valid test set으로 구분해주는 기능도 가지고 있음내가 라벨링 한 이미지 데이터를 bounding box 처리해서 시각화 제공https://public.roboflow.com/object-detection 2. yolov5 다운로드https://github.com/ultralytics/yolov5 ONNX > CoreML > TFLite" data-og-description="YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite. Contribute to ultralytics/yolov5 development by creating an a.. 2024. 8. 14.
[Project] 기상데이터를 활용한 태양광 발전량 예측 모델(2) XGBoost 모델과 기상청 API 데이터를 받아와 현재일 기준 +3일까지의 태양광 발전량 예측 모델을 개발 진행중 기상청에서 제공하는 단기예보 API의 경우 3일이 최대이며, - Base_time : 0200, 0500, 0800, 1100, 1400, 1700, 2000, 2300 (1일 8회) - API 제공 시간(~이후) : 02:10, 05:10, 08:10, 11:10, 14:10, 17:10, 20:10, 23:10 Base_time key값을 위와같이 입력해야함 클라이언트 측에서 3일까지의 날짜를 input값으로 주면 그 날 하루의 발전량이 한시간 단위로 나옴 flask, model 연동 완료. 데이터 입력 후 출력까지 완료 상태 이와같이 데이터 들어오는 시간이 달라서 keyError 맞춰.. 2024. 2. 15.
[Project] 기상데이터를 활용한 태양광 발전량 예측 모델(1) 데이터 사용 전, EDA 를 통해 데이터들 간의 상관성 및 특성 파악 태양광 발전의 경우 주요 인자들간의 영향이 크기 때문에 필수적으로 더 필요 [pearson heatmap 활용하여 데이터간 상관관계 분석] 양의 상관관계 변수: - Sunshine Duration (hr): 0.79 - Solar Radiation (MJ/m2): 0.56 - Ground Temperature (°C): 0.38 - Temperature (°C): 0.17 - Visibility (10m): 0.14 - Wind Speed (m/s): 0.09 - Wind Speed QC Flag: 0.04 - Wind Direction QC Flag: 0.04 - Local Atmospheric Pressure (hPa): 0.03 .. 2024. 2. 15.
[machine learning] Light GBM - Gradient Boostiong Decision Tree 알고리즘, Decision Tree 앙상블 모델 - 트리 기반 학습 알고리즘의 프레임워크 - 트리를 수직으로 확장 - 과적합이 되기 쉬우므로 max_depth 줄여야함 - 데이터 양이 적을 경우 과적합에 취약하므로 데이터 양이 10,000개 이상일 때 좋음 2023. 6. 8.
반응형

티스토리툴바