1)USB에 20.04 image 굽기 image는 아래에서 ubuntu-20.04.6-desktop-amd64.iso 를 다운로드함 https://releases.ubuntu.com/focal/

2)PC끄고 USB꽂은다음 재부팅 버튼(F10) 연타. USB옵션을 선택해서 install ubuntu로 들어간다. 듀얼부팅 처음 세팅할때는 try ubuntu without install로 들어갔었는데, 여기는 install ubuntu로 들어가는 게 맞나? 잘못되면 어떡하지 싶긴한데.. 일단 해봄.

3)화면에서 install ubuntu로 들어가기

4)이것저것 설정. reinstall ubuntu 20.04가 핵심

실패함. 실패보다는.. 걍 안하기로 함. 이상한 화면밖에 안 나오는데 이건 좀 아닌거같음

참고: https://www.mekan0.com/ko/how-to-hide-the-clock-and-date/

시간 숨기기

원래 상태 아래와 같이 바꾸기: 간단한 시간-s

날짜 숨기기

원래 상태 아래와 같이 바꾸기: 간단한 날짜-ddd

이러면, 아래와 같이 시간과 날짜가 숨겨진다

주어진 N개 숫자 중, 1개 이상을 뽑은 것의 합이 S가 되도록 한다. 이때 뽑은 부분수열의 개수를 구하는 문제이다.

생각 흐름

N개 중 1개를 뽑아 합이 S가 되는 경우, N개 중 2개를 뽑아 그 합이 S가 되는 경우, ... N개 중 N개를 뽑아 그 합이 S가 되는 경우 이 모든 경우의 수를 count하면 된다.

이런 식으로 하나하나 따져 봐야 하면서, 지금의 선택이 이전의 선택에 영향을 받는 류의 문제는 점화식을 세워서 푼다. N개를 갖기 위해 지불해야 하는 금액의 최댓값을 f(N)이라고 보면,

f(N)= P1          (if N=1)
    = Pk+f(N-k)   (if N!=1) (1<=k<=N)

이라고 볼 수 있다. ( f(1), f(2), f(3) 등을 차례대로 구해 보면 저 공식이 자연스럽게 떠오를 것이다.)

지금의 선택값이 이전의 선택값에 영향을 받으므로 recursion을 활용하면 될 것이다. 결국 모든 것이 base condition으로 수렴할 텐데, base condition은 P1(if N=1)이다.

그런데 recursion의 경우 모든 걸 하나하나 따져 볼 때 시간과 메모리가 많이 들어간다. f(N)을 구하려면 최대값인지를 알기 위해 모든 경우의 수를 base condition으로 수렴할 때까지 따져 볼 텐데, 거기서 다른 경우의 수에서 구해 놓은 값을 또 계산하는 경우가 많이 발생한다.

(위는 fibonacci 수열에 대한 예시이다. base condition인 모든 가지가 fibo(0)과 Fibo(1)까지 가기 위해 중간에 중복되는 값들을 계속 구하는 것을 볼 수 있다.)

따라서 어떤 f(k)값을 구한 다음 다른 배열에 저장을 해 놓는 과정이 필요하다.

코드

#include<iostream>
#include<vector>

using namespace std;

int record[1001] = {0,};
int maxn = 0;

int calc(int N, vector<int> p_i) {
    if (N == 0) { return 0; } //base condition: f(0)
    if (N == 1) { return p_i[1]; } //base condition: p_1

    for (int i = 1; i <= N; i++) {
        if (record[N - i] == 0) {
            record[N - i] = calc(N - i, p_i); //recursion
        }
        maxn = (maxn > p_i[i] + record[N - i]) ? maxn : p_i[i] + record[N - i];
    }
    return maxn;
}

int main() {
    ios::sync_with_stdio(0);
    cin.tie(NULL); cout.tie(NULL);

    int N; cin >> N;
    vector<int> p_i(N + 1);
    for (int i = 1; i <= N; i++) { //index==i 되도록, p_0이 0이도록
        cin >> p_i[i];
    }

    cout << calc(N, p_i);

    return 0;
}

생각 흐름

(1)A진법 수를 10진수로 변환 (2)10진수를 B진법 수로 변환

코드

#include<iostream>
#include<vector>
#include<cmath>
using namespace std;

int num_10 = 0;
vector<int> remain;

int main() {
    ios::sync_with_stdio(false);
    cin.tie(NULL); cout.tie(NULL);

    int A, B;
    cin >> A >> B;

    int N; cin >> N;

    vector<int> Anum(N);
    for (int i = N - 1; i >= 0; i--) {
        cin >> Anum[i]; //거꾸로 넣기(10진수로 계산할때 index 편리하도록)
    }

    //A를 10진수로 바꾸기
    for (int i = 0; i < N; i++) {
        num_10 += Anum[i] * pow(A, i);
    }

    //10진수를 B로 바꾸기
    while (num_10 >= B) {
        remain.push_back(num_10 % B);
        num_10 = num_10 / B;
        if (num_10 < B) {
            remain.push_back(num_10);
        }
    }

    for (int i = remain.size() - 1; i >= 0; i--) {
        cout << remain[i] << " ";
    }

    return 0;
}

생각 흐름

stack을 이용한다. 피연산자는 push하고, 연산자가 나오면 2개를 pop해 계산한 결과값을 push한다. 최종 stack에 남은 1개의 값이 결과값이다.

초기 코드

#include<iostream>
#include<algorithm>
#include<string>
#include<stack>
using namespace std;

int main() {
    ios::sync_with_stdio(false);
    cin.tie(NULL); cout.tie(NULL);

    int N; cin >> N;
    string cmd; cin >> cmd;

    //수식에 입력 집어넣기
    char num;
    for (int i = 0; i < N; i++) {
        cin >> num;
        replace(cmd.begin(), cmd.end(), (char)(i + 65), num);
    }

    //계산
    stack<double> stk;
    for (int i = 0; i < cmd.size(); i++) {
        double A, B;
        //연산자 나오면 2개 pop해 계산해서 결과값 push 
        if (cmd[i] == '+') {
            B = stk.top(); stk.pop();
            A = stk.top(); stk.pop();
            stk.push(A  + B);
        }
        else if (cmd[i] == '-') {
            B = stk.top(); stk.pop();
            A = stk.top(); stk.pop();
            stk.push(A-B);
        }
        else if (cmd[i] == '*') {
            B = stk.top(); stk.pop();
            A = stk.top(); stk.pop();
            stk.push(A* B);
        }
        else if (cmd[i] == '/') {
            B = stk.top(); stk.pop();
            A = stk.top(); stk.pop();
            stk.push(A/B);
        }
        else { //피연산자는 push. 다만 char를 double로 바꿔서
            stk.push(double(cmd[i] - '0'));
        }
    }
    cout << fixed; cout.precision(2);
    cout << stk.top();
    return 0;
}

오류: 틀렸습니다

간과한 점: char는 오로지 1자리 값만 받는다. 10을 입력받는다면 1만 char에 저장된다. -->수식에 입력을 치환해 놓지 말고, 알파벳 값이 들어오면 그때 상응하는 값으로 바꾸자!

최종 코드:

#include<iostream>
#include<algorithm>
#include<string>
#include<vector>
#include<stack>
using namespace std;

int main() {
    ios::sync_with_stdio(false);
    cin.tie(NULL); cout.tie(NULL);

    int N; cin >> N;
    string cmd; cin >> cmd; //수식 받기

    //입력 숫자 받기
    vector<int> num; int n;
    for (int i = 0; i < N; i++) {
        cin >> n;
        num.push_back(n);
    }

    //계산
    stack<double> stk;
    for (int i = 0; i < cmd.size(); i++) {
        double A, B;
        //연산자 나오면 2개 pop해 계산해서 결과값 push 
        if (cmd[i] == '+') {
            B = stk.top(); stk.pop();
            A = stk.top(); stk.pop();
            stk.push(A + B);
        }
        else if (cmd[i] == '-') {
            B = stk.top(); stk.pop();
            A = stk.top(); stk.pop();
            stk.push(A - B);
        }
        else if (cmd[i] == '*') {
            B = stk.top(); stk.pop();
            A = stk.top(); stk.pop();
            stk.push(A * B);
        }
        else if (cmd[i] == '/') {
            B = stk.top(); stk.pop();
            A = stk.top(); stk.pop();
            stk.push(A / B);
        }
        else { //피연산자는 push
            stk.push(double(num[int(cmd[i] - 65)]));
        }
    }
    cout << fixed; cout.precision(2);
    cout << stk.top();
    return 0;
}

도움되었던 입력과 출력

input 3 ABC++ 10 20 30 output 60.00

문제풀이 유형

순수 logic 짜기

인간 의식의 흐름

예를 들어 1 2 3 4 6 5 를 본다면, 4까지는 멀쩡하다가 6부터 뭔가 흐름이 깨지네? 그리고 6과 5는 내림차순이네? 그러면 4를 이제 5로 바꾸고 뒤에는 4, 6을 순서대로 놔야겠다.

--> 앞에서부터 쭉 읽으면서, 처음으로 ++의 과정이 깨지는 곳(6)을 주시하고, 그 다음에 뒤에서부터 쭉 읽으면서, 처음으로 (뒤에서부터의)오름차순이 깨지는 곳(4)을 본다. 4를 다음 오름차순(5)으로 바꾼 후, 5 뒤를 sort한다.

코드 흐름

앞에서부터 봤을 때 처음으로 ++의 과정이 깨지는 곳은 코드 구현에서는 굳이 체크할 필요 없다.

뒤에서부터 쭉 읽으면서, 처음으로 오름차순이 깨지는 곳(B)을 본다. B 오른쪽에서, B보다는 크면서 B오른쪽에서 가장 작은 수(다음 오름차순)와 B를 swap한다. 그 뒤 새로운 B의 뒤는 sort한다.

끝에서 처음까지 다 읽었는데도 오름차순이 깨지는 곳이 없다면 마지막 순열인 것이므로 -1을 출력한다. 단 N==1이라면 바로 -1을 출력한다.

코드 오류 원인

logic을 왜곡함. 내가 생각한 인간 의식의 흐름을 코드로 그대로 구현했어야 하는데, 몇 개의 사례로 일반화해서 그 사례에만 맞는 코드를 짬. 사례에 맞는 코드를 짜지 말고, 일반화해서 전체 logic을 생각하기.

전체 코드

#include <iostream>
#include<vector>
#include<algorithm>
using namespace std;

int main() {
    ios::sync_with_stdio(0);
    cin.tie(NULL); cout.tie(NULL);

    int N; cin >> N;
    vector<int> perm(N);

    for (int i = 0; i < N; i++) {
        cin >> perm[i];
    }

    int i = N - 1;
    if (i == 0) { cout << "-1";  return 0; } //N==1일 때를 대비
    while (perm[i] < perm[i - 1]) { //오름차순이 깨질 때까지 뒤에서부터 읽기
        i--;
        if (i == 0) { cout << "-1";  return 0; } //모두 읽는다면 마지막 순열이므로 -1 출력
    }

    int min = max_element(perm.begin()+i, perm.end())- perm.begin(); //다음 오름차순 초기화
    int j = i;
    for (; j < N; j++) { //B 오른쪽에서 다음 오름차순 찾기: B보다는 크면서, 가장 작은 수
        if (perm[i-1] < perm[j] && perm[j] < perm[min]) { min = j; }
    }
    swap(perm[i - 1], perm[min]); //swap
    sort(perm.begin() + i, perm.end()); //B의 오른쪽 sort

    for (int i = 0; i < N; i++) {
        cout << perm[i] << ' ';
    }

    return 0;
}

코드 수정에 도움되었던 입력과 출력

입력: 3 2 3 1 출력: 3 1 2

입력: 1 1 출력: -1

입력: 7 1 7 3 2 4 6 5 출력: 1 7 3 2 5 4 6

입력: 7 1 2 3 4 6 5 7 출력: 1 2 3 4 6 7 5

입력: 4 2 1 4 3 출력: 2 3 1 4

먼저, detector.py file을 만든다.

• pandas가 설치되어 있지 않아 conda install pandas로 pandas 설치

  Creating Command Line Arguments

  -ArgParse module을 이용해 detector에 command line argument를 전해 주는 function을 만든다.

  Loading the Network

  -COCO data의 label이 담긴coco.names file 다운받고 data 폴더 만들어서 넣기 -util.py에 load_classes 정의
• label string을 담은 dictionary를 return하는 함수

  Read the Input images

  -util.py에 letterbox_image 정의
• image resize, aspect ratio 유지, padding -util.py에 prep_image 정의

  Create the Batches

  The Detection Loop

  -batch마다 detection에 걸린 time 측정
• input을 받은 시간과, write_results의 output을 내기까지 사이의 시간 -write_prediction의 output attribute 중 하나는 batch에서 image의 index이다. 이를 imlist에서의 image index로 이용한다.

  Drawing bounding boxes on images

  -output의 prediction은 padding image에 따른 상태지, original image에 대한 것이 아님.
• 따라서 BB를 그리기 전 original image의 dimension에 맞게 corner를 바꿔 주는 과정이 필요 -BB clip 코드 위에 output_recast = time.time() 추가

  Printing Time Summary

  Testing The Object Detector

  $ python detector.py --images dog-cycle-car.png --det det

  결과: 실패....net load는 됐는데 person이라고만 계속 나옴;; detect 실패...로 video/webcam은 진행하지 않기로 함

  Running the Detector on Video/Webcam

  Conclusion

-우리의 output: B x 10647 x 85의 tensor

• B: batch 개수
• 10647: image당 예측한 BB 개수
• 85: BB attribute 개수 -true detection을 얻기 위해서는 output이 object score thresholding, non-maximal suppression을 거치도록 해야 함
• 이걸 위해 util.py에 write_results function 작성

  Object Confidence Thresholding

  -우리의 예측 tensor는 B x 10647 개의 BB에 대한 정보를 가진다. -threshold아래의 objectness score를 가진 BB는 값을 0으로 만든다.

  Note

  -IoU(Intersection over union): 객체 인식의 성능 평가를 하는 지표
• 어떤 영역들 사이에 intersection?: ground-truth와 proposed-region(prediction)
  • ground truth: 우리가 정한 정답(미묘하게 다르긴 하지만, label같은 개념)
  • NMS(non-maximum supression): 한 가지 object에 많은 BB가 생기는데, 가장 score가 높은 박스만 남기고 나머지를 제거하는 승자독식 과정
• IoU값이 가장 큰 것을 남기는 과정인듯

  Object Confidence Thresholding

  Performing Non-maximum Suppression

  -bounding box attributes: 중심좌표, height, width
• 그런데, IoU를 계산하기 위해서는 BB의 꼭짓점 좌표를 이용하는 것이 편리함
• (center x, center y, height, width)를 (top-left corner x, top-left corner y, right-bottom corner x, right-bottom corner y)로 transform -각 image마다 true detection의 개수는 다를 수 있음
• 따라서 confidence thresholding, NMS는 별개 image마다 각각 수행해줘야 함(vectorize불가)
• prediction의 첫번째 요소만큼 iterate해줘야 함 -BB attributes중 class score가 max인 것 1개만 남기면 됨.
• BB 85개의 row 중 class score에 해당하는 80row의 class score를 지우고, max값으로 바꿔준다. -NMS
• 먼저 특정 class의 detection을 추출
• NMS perform: bbox_iou function 사용
  • bbox_iou

    Calculating the IoU

    Writing the predictions

Implementing the forward pass of the network

-network의 forward pass: nn.Module의forward 메소드 사용

• forward의 역할(1): output 계산
• forward의 역할(2): output detection map을 처리하기 쉽게 transform
• forward의 인자 3개: self, x, CUDA
  • CUDA가 true일 경우 GPU사용

    Convolutional and Upsample Layers

    Route Layer / Shortcut Layer

    YOLO (Detection Layer)

  • YOLO의 output: BB의 attribute를 포함하는 convolutional feature map
  • predict_transform 함수를 통해 구현한다.
• predict_transform: util.py에 위치

  Transforming the output

  -먼저 util.py의 import구문을 위한 cv2라이브러리 다운받기
• pip install opencv-python
• pip install opencv-contrib-python
  • predict_transform 함수
• parameter 5개: prediction(output),inp_dim(input image dimension),anchors,num_classes,CUDA flag
• detection feature map을 받아 2D tensor로 바꾼다
  • tensor의 각 row가 BB의 attribute

    Detection Layer Revisited

  • 3개 scale의 detection map을 하나의 tensor로 concatenate

    Testing the forward pass

  • image를 YOLOv3폴더에 저장
  • 에러 발생: RuntimeError: shape '[1, 255, 3025]' is invalid for input of size 689520
• 에러 해결: https://discuss.pytorch.org/t/shape-1-255-3025-is-invalid-for-input-of-size-689520/37603/11 참고
  • get_test_input()에서는 img resize를 (416,416)으로 해주고 있는데, yolov3.cfg파일에서는 net의 input width, height가 608, 608임. yolov3.cfg의 width, height를 수정해 주니 작동됨
  • tensor의 shape: 1 x 10647 x 85
• 1: batch size. image가 1개이므로
• 10647 x 85: -위 출력 결과는 random weight 상태로 출력된 것. official weight file을 사용하여 올바른 결과를 내야 함

  Downloading the Pre-trained Weights

  -yolov3.weights를 다운받아 YOLOv3폴더 안에 위치시키기

  Understanding the Weights File

  -yolov3.weights: weights를 순차적으로 저장한 binary file -weights 형식
• float
• 어떤 숫자가 어떤 layer의 것인지 명시되어 있지 않음 -weight 이해하기
• 두 layer중 하나에 속함: batch norm layer / convolutional layer
• order: configuration file의 order와 같음

  Loading Weights

  -에러 발생: AttributeError: 'Darknet' object has no attribute 'load_weights'
• 에러 원인: 내가 load_weights 함수를 Darknet class에 넣지 않고 아예 바깥에 작성했음. 그러니 당연히 model.load_weights가 작동이 안 될 수밖에.
• 에러 해결: load_weights 함수를 Darknet class안에 넣는다.

Getting Started

-detector code가 위치할 폴더 만들기

• 나는 로컬에 programming/YOLOv3을 만듦 -darknet.py 파일 만들기
• 나는 VScode에서 YOLOv3을 들어가 파일 생성함
• YOLO network를 만드는 파일 -util.py파일 만들기
• YOLO network를 보충하는 파일. 여러 helper function이 포함돼 있음

  Configuration File

  -cfg file: network의 layout 기술 -official cfg파일을 사용할 것. YOLOv3/cfg폴더 안에 저장하기
• github에서 파일 다운받기: Raw버튼 클릭 후 Ctrl+S해서 원하는 폴더에 저장하기 -cfg파일을 살펴보면, YOLO에서 쓰이는 5가지 종류의 layer를 살펴볼 수 있다.

  (1)Convolutional

  (2)Shortcut

  [shortcut]
  from=-3  
  activation=linear  

  -shortcut layer=skip connection -skip connection: 어떤 layer의 output을 몇 개를 건너뛴 layer의 input으로 연결하는 것 -from: 이 input이 얼마나 뒤에서 온 output인지

  (3)Upsample

  -bilinear upsampling

  (4)Route

  [route]
  layers = -4
  

[route] layers = -1, 61

-layers: 이 route layer를 위한 feature map output을 어느 index의 layer에서 뽑아낼 것인지
  - layer가 2개의 값: 2개의 값 concatenate
#### (5)YOLO
-이 YOLO layer가 detection layer를 말한다.
#### Net
-input과 parameter에 대한 설명
### Parsing the configuration file(parse_cfg())
-parsing: 파일을 단어단위로 분석하면서 어떤 정보인지를 알아낸 다음, 그 정보를 토대로 오브젝트를 실제로 만드는 것(파일은 오브젝트에 대한 명세일 뿐, 실제 그 오브젝트와 관련된 데이터를 직접적으로 담고 있지는 않음)
-darknet.py 상단에 다음 import문을 추가해 주자.

from future import division

import torch import torch.nn as nn import torch.nn.functional as F from torch.autograd import Variable import numpy as np

-parsing을 위해 parse_cfg 함수를 만들자.
  - cfg파일을 parsing하고, 각 block을 dict로 저장하는 함수
    - block의 attribute-value를 key-value로 저장
    - 1)cfg file 내용을 string list로 저장
    - 2)list를 loop
### Creating the building blocks(create_modules())
parse_cfg file에서 return받은 list를 이용해 Pytorch module을 만든다.
Pytorch는 5개 종류의 layer중 `convolutional`과 `upsample`은 기본으로 제공한다.
나머지 3종류는 nn.Module class를 이용하여 우리가 구현해야 한다.
그 구현 함수가 create_module이다.
net_info: network information store
#### nn.ModuleList
-nn.Module(a)을 object로 가지고 있는 list이다.
-이 nn.ModuleList를 nn.Module(b)의 object로 넣으면, nn.ModuleList안에 있는 nn.Module(a)의 parameter가 nn.Module(b)의 object로 들어간다.
-새로운 CN을 만들 때, 그 kernel의 dimension을 정해야 함. kernel의 depth=filter개수. prev_filter: layer에 있는 filter개수를 계속 저장해 둔다.
-preceding layer의 filter개수도 필요하다. output_filters list에 output filter의 개수를 계속 저장해 둔다.
-convolutional, upsample 구현
  - nn.Sequential, add_module통해 구현
#### Route Layer / Shortcut Layers
route, shortcut layer를 구현한다.
#### Wait, an empty layer?
-Pytorch에서 새로운 layer를 만들기: nn.Module object만들기-->forward function쓰기
-새로운 Route layer만들기: layers를 포함한 nn.Module object만들기-->forward function쓰기
#### YOLO Layer
### Testing the code
VScode의 터미널에서 먼저 
`conda install pytorch torchvision torchaudio cpuonly -c pytorch`
로 pytorch설치 후 Ctrl+F5
가상환경인 hcw_v에서 진행함.
![](https://velog.velcdn.com/images/hwang-chaewon/post/690b11fd-a417-4577-9e42-0c8deeea9ce2/image.png)
터미널에서 conda activate hcw_v를 할 뿐만 아니라,
우측 하단에서 인터프리터를 hcw_v로 바꿔줘야지 원활하게 가상 환경에서 실행이 된다.
실행되는 것을 확인했다.
![](https://velog.velcdn.com/images/hwang-chaewon/post/dda99284-b4c7-4482-8843-5d372296890c/image.png)

-You Only Look Once -CNN로 학습한 feature로 object detect

A Fully Convolutional Neural Network

-YOLO는 layer로 convolutional layer만 사용. 그러면서, FCN(fully CN)만 사용

• FCN이어서 input image의 size에 상관되지 않음
  • 그러나 batch돌릴 때의 편리함도 그렇고, 모든 image가 같은 height와 width를 가지는 게 여러모로 편리함

-CN 75개

• skip connection
• upsampling layer
• downsampling layer: feature map을 downsample시키는 stride 2의 CN
  • stride: downsampling factor
    • 416Χ416 에서 stride가 32라면 output은 416/32=13Χ13임

Interpreting the output

-CN에 의해 학습된 feature는 classifier/regressor로 감

• classifier/regressor: detection predict
  • detection: bounding box의 좌표, class label 등
  • predict: 1Χ1 CN으로 수행
  • 이 prediction의 output: feature map
    • 1Χ1 CN이므로 feature map size는 이전것과 똑같이 유지됨
    • 이 map의 각 cell(=unit=neuron)은 일정 개수의 bounding box를 예측 가능
    • B*(5+C) entry를 가짐
      • B: 각 cell이 예측가능한 BB개수
        • B개의 BB가 한 종류의 object를 나타낼 수 있음
        • YOLO에서 B=3
      • 5+C: BB 1개가 가지는 attribute(중심좌표, 차원, objectness score, C(class confidence))
    • object 중심이 cell의 receptive field에 들어온다면 그 cell들 1개당 object 1개를 predict할 것
      • 이를 위해, 1)이 BB가 어느 cell의 것인지 알아야 함
        • 그를 위해, input image를 최종 feature map과 같은 수치로 grid를 나눈다.
        • BB의 center가 위치한 cell이 그 object를 predict하는 cell이 된다.
      • 2)그 cell을 feature map에 detector로서 assign
      • 3)그 cell(feature map의 것)은 3개의 BB예측 가능.
        • 3개 중 어느 BB가 truth label일까? 이를 알기 위해, anchor를 알아야 한다.

Anchor Boxes

• anchor: 예측하는 BB의 수치.
  • Default BB를 기준으로 한 offset 또는 log-space transform
• YOLO v3: 3개의 anchor
• truth label을 나타내는 BB는, 그 BB의 anchor가 ground truth box와 가장 많이 겹치는 IoU를 가지고 있는 경우이다.

Making Predictions

-아래는 output이 prediction을 얻는 과정이다. -bx,by,bw,bh: 중심좌표 x, y, width, height -tx,ty,tw,th: network output에서의 중심좌표 x, y, width, height -cx,cy: grid의 왼쪽 상단 x,y좌표 -pw,ph: box의 anchor dimension

중심 좌표

-sigmoid function을 통해 predict(output이 0~1이 되도록) -보통 YOLO는 중심 좌표가 아닌 왼쪽 상단 좌표의 offset을 predict

Dimensions of the Bounding Box

-BB의 dimension: output에 log-space transform한 후 anchor곱하기 -결과 bw, bh: normalized된 것

Objectness Score

-object가 BB안에 있을 확률 -sigmoid를 거쳐감으로서 확률로 계산됨

Class Confidences

-그 class가 실제 object대로 분류됐을 확률 -sigmoid 사용(non-exclusive class)

Prediction across different scales

-YOLO는 3개의 다른 scale로 predict

-detection layer: detection을 3개의 다른 size로 수행

• stride가 각각 32,16,8
• input image downsample-->첫번째 detection layer(stride 32)에서 detect-->upsampling by 2-->이전 layer와 같은 수치를 가지는 feature map과 concatenate(합치기)-->두번째 detect(stride 16)-->upsampling by 2-->final detection(stride 8)
• 각 detect마다, 각 cell은 3개의 anchor를 사용해 3개의 BB예측
• 1개의 cell이 총 9개의 BB예측

  Output Processing

  -총 BB개수=((52x52)+(26x26)+(13x13))x3=10647 -그러나 object는 1개. 1개의 object에는 1개의 BB가 있어야 함. 10647개를 어떻게 1개로 만들 수 있을까?

  Thresholding by Object Confidence

  threshold objectness score보다 낮은 BB는 ignore

  Non-maximum Suppression(NMS)

  

  Our Implementation

  -detector로 official weight를 사용할 것 -weight: COCO dataset으로 train -80개의 object 종류

$ sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list'
$ sudo apt install curl
$ curl -s https://raw.githubusercontent.com/ros/rosdistro/master/ros.asc | sudo apt-key add -
$ sudo apt update
$ sudo apt install ros-melodic-desktop-full
$ echo "source /opt/ros/melodic/setup.bash" >> ~/.bashrc

if error>>

$ source /opt/ros/melodic/setup.bash

again

$ sudo apt install ros-melodic-desktop-full 
$ source ~/.bashrc

$ sudo apt install python-rosdep python-rosinstall python-rosinstall-generator python-wstool build-essential
$ sudo apt install python-rosdep
$ sudo rosdep init
$ rosdep update

$ roscore
$ rosrun turtlesim turtlesim_node
$ rosrun turtlesim turtle_teleop_key

라즈베리파이의 2가지 사용 용도 (1)컴퓨터 -CPU, 메모리, 이더넷, 블루투스, 와이파이 기능 -웹서버, 파일 서버: 원격 제어 기능을 이용하면 모니터, 키보드 같은 IO장치 필요없이 보드만 전원에 연결되면 됨 (2)개발 보드 사물인터넷 프로젝트에 많이 쓰임

라즈베리파이의 구성 요소 컴퓨터의 주요 구성 요소와 같음 -SOC(System On Chip)---CPU, RAM(주기억장치), GPU -microSD card slot(보드 뒷면에 위치): 컴퓨터의 하드 디스크 역할(데이터 저장, 운영체제 및 프로그램 설치) Q: 하드 디스크가 뭔가? 실제 예시로. C, D 같은 건가? -microUSB port: 보드 전원 공급 -HDMI port: TV나 모니터에 display 신호 보내기. 연결하면 화면 사용할 수 있음. (그러나 리눅스 운영체제 설치 후 원격기능으로 모니터 없이 사용 가능) -오디오 port -이더넷 port -와이파이 기능: 무선 인터넷 사용 가능 -USB port: 다양한 USB와 연결하기 위해 -GPIO(General Purpose Input Output): 라즈베리 파이와 전자적으로 통신하기 위한 표준 port

앱에 가서 블루투스 매니저 실행 버즈 pair 후 connection

...

실패..pair가 connection abort때문에 안된댄다 리눅스는 진짜 화딱지 난다 블루맨 앱도 그냥 지웠다

!!아님! 해결함 갤럭시 버즈를 페어링 모드로 해서 일단 페어링을 해줘야 했다;; 이렇게 버즈를 페어링 모드로 진입시키면 페어링과 동시에 연결이 된다

그리고 사운드가 작아서 아래 글을 참고했더니 잘 됐다

삭제되었는지 확인 $ rosversion -d

Android user인 나는 Google play store에서 Makercontrol App을 다운받는다.

2. Start ROSMASTER robot

Yahboom image를 부팅한 robot을 연결. Q: 젯슨 나노 연결을 window에 연결해도 linux에 연결해도 상관X?

IP는, rosmaster가 부팅될때 나오는 IP를 넣어주면 연결이 될 것이다. Jetson nano 4GB version system, username: jetson password: yahboom