60년만 코딩하자 ( 010.9289.9979 )

목동코딩학원 : 코딩프로젝트

​

이번에 음식물 구분 프로젝트를 하면서 실제로 공감한 부분은 정말 학습과정이 힘들다는 것이다.

그리고 프로그램을 파악하고, 또 프로젝트에 접목하는 과정이 많이 힘들었다.

그렇지만 인공지능을 모르면 뒤쳐지는 듯한 시기에 아주 적절한 프로젝트를 한거 같다.

벡터

    벡터(Vector)는 크기와 방향을 가지는 양(Quantity)을 나타내는 개념입니다. 벡터는 화살표 형태로 표현되며, 화살표의 시작점은 벡터의 원점(Origin)이고, 화살표의 끝점은 벡터의 방향과 크기를 나타냅니다.

벡터는 일반적으로 n개의 숫자로 이루어진 열벡터(Column Vector)나 행벡터(Row Vector)로 표현됩니다. 예를 들어, 2차원 벡터는 아래와 같이 나타낼 수 있습니다.

[ x ]

[ y ]

    이 때, x와 y는 벡터의 각각의 요소(Element)를 나타냅니다. 벡터의 크기는 각 요소의 제곱합의 제곱근으로 정의됩니다. 따라서 2차원 벡터 (x, y)의 크기는 √(x^2 + y^2)로 표현됩니다.

벡터는 다양한 분야에서 사용됩니다. 물리학에서는 위치, 속도, 가속도 등을 벡터로 표현합니다. 컴퓨터 그래픽스에서는 벡터를 사용하여 3D 모델을 회전시키거나 크기를 변경합니다. 또한, 머신 러닝과 딥 러닝에서는 벡터를 사용하여 데이터를 표현하고, 학습 모델을 구축하고 예측합니다.

공변 벡터(Covariant Vector)와 반변 벡터(Contravariant Vector)

    공변 벡터(Covariant Vector)와 반변 벡터(Contravariant Vector)는 다차원 공간에서 벡터의 변환을 설명하는 데 사용되는 선형 대수학적인 개념입니다.

공변 벡터는 좌표계의 변환에 따라 벡터의 크기와 방향이 변하지 않는 벡터입니다. 이러한 특성 때문에 공변 벡터는 좌표계의 원점과 함께 위치하는 벡터로도 볼 수 있습니다. 예를 들어, 평면상의 벡터 (x, y)는 원점에서 시작하고 x축과 y축의 방향으로 각각 x와 y만큼 이동하는 벡터입니다. 이러한 공변 벡터는 좌표계의 변환이 일어날 때, 새로운 좌표계에서도 크기와 방향이 변하지 않습니다.

    반면에 반변 벡터는 좌표계의 변환에 따라 벡터의 크기는 변하지 않고 방향만 변하는 벡터입니다. 반변 벡터는 물리학에서 주로 사용되며, 예를 들어, 자기장과 같이 방향이 중요한 양(Quantity)을 나타내는 데에 사용됩니다. 예를 들어, 자기장 벡터 B는 모든 좌표계에서 크기는 동일하지만, 방향은 좌표계에 따라 달라집니다.

따라서, 공변 벡터와 반변 벡터는 벡터의 크기와 방향에 대한 변환이 어떻게 이루어지는지를 나타내는 개념입니다.

    일단 '공'이 함께라는 뜻이고 '반'이 반대라는 뜻으로 공변벡터는 좌표계가 변하는 것과 같은 방식으로 '함께' 변하는 것을 말한다. 반대로 반변벡터는 좌표계가 변하는 것과는 '반대'의 방식으로 변하는 벡터를 뜻한다

행렬

    행렬(Matrix)은 숫자들을 직사각형 모양의 격자 형태로 배열한 것입니다. 예를 들어, 2행 3열의 행렬은 아래와 같이 나타낼 수 있습니다.

[ 1 2 3 ]

[ 4 5 6 ]

위의 예시에서, 각각의 숫자를 행렬의 요소(Element)라고 부릅니다. 첫 번째 행의 요소들은 1, 2, 3이고, 두 번째 행의 요소들은 4, 5, 6입니다.

    행렬은 다양한 분야에서 사용됩니다. 선형 대수학에서는 행렬을 활용하여 연립방정식을 해결하거나 선형 변환(linear transformation)을 표현합니다. 또한, 통계학에서는 데이터 분석을 위해 행렬을 사용합니다. 머신 러닝과 딥 러닝에서도 행렬은 데이터를 표현하고 연산하는 데에 매우 중요합니다.

    행렬은 일반적으로 행과 열의 개수를 나타내는 행렬의 크기(Dimension)로 표현됩니다. 위의 예시에서는 2행 3열의 행렬이며, 이를 2x3 행렬이라고 표현합니다. 행렬의 크기는 보통 m x n으로 표현하며, 여기서 m은 행의 개수, n은 열의 개수를 의미합니다.

텐서

    텐서(Tensor)는 다차원 배열(Multi-dimensional array)을 나타내는 수학적 개념입니다. 벡터(Vector)와 매트릭스(Matrix)가 각각 1차원과 2차원 배열을 나타내는 것처럼, 텐서는 3차원 이상의 다차원 배열을 나타냅니다.

예를 들어, 3x3x3 크기의 텐서는 3개의 3x3 매트릭스를 가지고 있으며, 4x5 크기의 텐서는 4개의 5차원 벡터를 가지고 있습니다.

    텐서는 다양한 분야에서 사용되며, 특히 딥러닝(Deep Learning) 분야에서는 텐서를 활용하여 데이터를 표현하고 처리합니다. 딥러닝에서는 주로 텐서를 사용하여 이미지, 텍스트, 음성 등의 다양한 유형의 데이터를 처리하며, 이를 통해 학습 모델을 구축하고 예측을 수행합니다.

또한, 텐서는 텐서곱(Tensor Product)이라는 수학 연산을 가능하게 하여 선형 대수학에서도 널리 사용됩니다.

행렬의 1차변환

    행렬의 1차변환(First-order Transformation)은 원점을 중심으로 하는 선형 변환을 나타내는 행렬입니다. 1차변환은 일반적으로 2D나 3D 그래픽스에서 객체를 이동, 회전, 크기 변경하는 데에 사용됩니다.

2D 그래픽스에서, 1차변환은 아래와 같은 행렬로 표현됩니다.

| a b | | c d |

이 때, a와 d는 객체를 x축과 y축 방향으로 확대시키거나 축소시키는 크기 변환(scale transformation)을 의미합니다. b와 c는 객체를 x축과 y축 방향으로 이동시키는 이동 변환(translation transformation)을 의미합니다.

3D 그래픽스에서, 1차변환은 아래와 같은 행렬로 표현됩니다.

| a b c 0 |

| d e f 0 |

| g h i 0 |

| 0 0 0 1 |

이 때, a, e, i는 객체를 x축, y축, z축 방향으로 확대시키거나 축소시키는 크기 변환을 의미합니다. b, c, d, f, g, h는 객체를 x축, y축, z축 방향으로 이동시키는 이동 변환을 의미합니다.

1차변환 행렬은 선형 대수학에서 기하학적인 변환을 행렬 연산으로 표현하는 데에 사용됩니다. 이를 통해 객체의 이동, 회전, 크기 변경을 효율적으로 계산할 수 있습니다

import argparse

    argparse는 Python의 표준 라이브러리 중 하나로서, 명령줄 인터페이스(Command-line Interface)를 쉽게 만들 수 있도록 도와주는 모듈입니다.

argparse는 프로그램 실행 시 사용자로부터 입력받은 인자들을 파싱하고 처리하기 위한 기능을 제공합니다. 예를 들어, 사용자가 프로그램 실행 시 인자로 파일 이름, 디렉토리 경로, 특정 기능 등을 전달하면, argparse는 이러한 인자를 처리하고 프로그램이 올바르게 동작하도록 도와줍니다.

argparse는 아래와 같은 기능을 제공합니다.

• 인자 파싱을 위한 ArgumentParser 클래스
• 인자의 이름, 타입, 기본값, 도움말 메시지 등을 설정하기 위한 add_argument() 메서드
• 인자를 파싱한 결과를 저장하기 위한 Namespace 클래스
• 인자 파싱 중에 발생하는 에러 처리를 위한 예외 처리

argparse는 매우 유용한 모듈로서, 다양한 유형의 명령줄 인터페이스를 쉽게 만들 수 있습니다. 이를 통해 사용자가 프로그램을 쉽게 이해하고 사용할 수 있도록 도와줍니다.

from pathlib import Path

    pathlib은 Python 3.4부터 추가된 모듈로서, 파일 경로(Path)를 다루기 위한 클래스를 제공합니다. pathlib 모듈은 이전에 사용되던 os나 os.path 모듈보다 객체지향적인 인터페이스를 제공하며, 코드를 더 직관적으로 작성할 수 있도록 도와줍니다.

Path 클래스는 파일 경로를 다루기 위한 메서드와 속성을 제공합니다. 이를 통해 파일의 존재 여부, 디렉토리 경로, 파일 이름, 확장자 등을 쉽게 다룰 수 있습니다. 예를 들어, 아래와 같은 코드를 작성하여 파일이 존재하는지 여부를 확인할 수 있습니다.

from pathlib import Path

my_file = Path("my_file.txt")

if my_file.is_file():
    print("File exists")
else:
    print("File does not exist")

Path 클래스는 다양한 메서드와 속성을 제공하며, 파일 경로를 다루는 데에 매우 유용합니다. pathlib 모듈을 사용하면 파일 경로를 다루는 코드를 더 직관적이고 간결하게 작성할 수 있습니다.

from models.common import DetectMultiBackend

    from models.common import DetectMultiBackend은 models 패키지 내부의 common 모듈에서 DetectMultiBackend 클래스를 가져오는 코드입니다.

DetectMultiBackend 클래스는 객체 검출(Object Detection) 모델에서 다양한 백엔드(backend)를 사용할 수 있도록 지원하는 클래스입니다. 이 클래스는 여러 개의 백엔드를 선택적으로 사용할 수 있도록 하며, 백엔드를 변경할 때마다 모델의 입력과 출력 형식을 자동으로 조정합니다.

이 클래스는 객체 검출 모델의 구현에 매우 유용합니다. 객체 검출 모델에서는 여러 개의 백엔드 중에서 최적의 백엔드를 선택하고, 해당 백엔드에 맞는 입력과 출력 형식을 사용해야 합니다. DetectMultiBackend 클래스는 이러한 작업을 쉽게 처리할 수 있도록 도와줍니다.

따라서 from models.common import DetectMultiBackend은 DetectMultiBackend 클래스를 가져와서 객체 검출 모델을 구현할 때 활용할 수 있는 코드입니다.

from utils.dataloaders import IMG_FORMATS, VID_FORMATS

    from utils.dataloaders import IMG_FORMATS, VID_FORMATS는 utils 패키지 내부의 dataloaders 모듈에서 IMG_FORMATS와 VID_FORMATS 변수를 가져오는 코드입니다.

IMG_FORMATS는 이미지 파일의 확장자를 리스트 형태로 저장한 변수입니다. 예를 들어, ['.jpg', '.jpeg', '.png']와 같이 이미지 파일의 확장자가 저장되어 있습니다.

VID_FORMATS는 동영상 파일의 확장자를 리스트 형태로 저장한 변수입니다. 예를 들어, ['.mp4', '.avi', '.mov']와 같이 동영상 파일의 확장자가 저장되어 있습니다.

이 변수들은 데이터 로딩(Data Loading) 과정에서 사용됩니다. 데이터 로딩은 모델 학습을 위해 데이터를 읽어오는 과정을 말합니다. 이미지나 동영상 데이터를 읽어오기 위해서는 데이터 파일의 경로와 파일 확장자를 알아야 합니다. 이 때 IMG_FORMATS와 VID_FORMATS 변수를 사용하여 이미지와 동영상 파일의 확장자를 정의할 수 있습니다. 이를 통해 데이터 로딩 코드를 더욱 간결하게 작성할 수 있습니다.

따라서 from utils.dataloaders import IMG_FORMATS, VID_FORMATS는 데이터 로딩 과정에서 이미지와 동영상 파일의 확장자를 정의하기 위해 사용되는 코드입니다.

요즘 yolov5를 이용한 이미지 분석에 푹 빠져있다.

그러다 보니 잘 사용하지 않았던 python 소스를 분석하여야만 했다.

근데 내가 기존에 사용하던  언어의 지식으로는 도저히 이해가 되지 않아서 오늘 날잡고 소스 하나하나 분석을 시작했다.

그러다가 구글링하다 찾은 페이지 하나로 궁금증이 싹 해소됐다.

요즘 프로그램은 예전에 몰랐던 새로운 방식이 정말 많아졌다

l = [1]
for x in l:
    l.append(x + 1)
    print(x)
    
================ 답 ==========
1
2
3
4
5

7
....

 이렇게 배열이 증가 하기 때문에 무한 반복되는 것이었다.

참 기발한 방법이다

리눅스는 GUI를 사용하지 않아서 yolov5가 엄청 많은 에러를 뿜어냈다.

2틀을 허비한 후 결구 테스트에 성공한 장면을 촬영했다

아래 영상은 mobaxter으로 putty 접속해서 실행한 장면이다

처음에는 거래처마다 IP카메라를 설치할 생각이었다.

프로젝트를 진행하다가 보니,아무래도 전국의 프랜차이즈 마다 출장을 가서 카메라를 설치 한다는 것은

큰 부담이 되었다.

​

그래서 방법을 찾다보니 RTSP프로토콜로 접속하면 된다는 것을 알게 되었다.

바쁜 프로젝트로 인해서 테스트를 미루다가 오늘서야 차분히 맘먹고 실행하게 되었다

​

이제 강화학습을 거치고, 영상분석 알고리즘만 넣으면 될거 같다.

몇개월간 미루던 일을 마무리 했다 ㅎㅎ.

아래 영상은 유튜브 실시간 방송으로 테스트한 자료이다

[질문]음식점 고객을 위한 챗봇을 만들려고 하는데 어떤 개화혈 데이타를 수집해야 하는지 샘플을 보여줘

[답변]음식점 고객을 위한 챗봇을 만들려면 음식점과 관련된 데이터를 수집해야 합니다. 아래는 음식점 고객을 위한 챗봇에 유용한 샘플 데이터입니다.

1. 음식점 정보: 음식점 이름, 주소, 전화번호, 메뉴, 가격, 운영시간 등의 정보를 수집할 수 있습니다.
2. 리뷰 데이터: 고객이 남긴 음식점 리뷰 데이터를 수집할 수 있습니다. 리뷰 데이터에는 음식의 맛, 가격, 서비스, 분위기 등에 대한 평가가 포함됩니다.
3. 예약 데이터: 고객이 예약한 시간, 인원수, 예약한 음식 등의 데이터를 수집할 수 있습니다.
4. 검색어 데이터: 챗봇 사용자가 입력한 검색어 데이터를 수집할 수 있습니다. 이 데이터를 분석하여 챗봇의 기능을 개선할 수 있습니다.
5. 위치 데이터: 고객의 위치 데이터를 수집하여 음식점 근처 추천 기능을 제공할 수 있습니다.
6. 이벤트 데이터: 음식점에서 제공하는 이벤트 정보를 수집하여 챗봇을 통해 이벤트에 대한 안내를 할 수 있습니다.
7. 결제 데이터: 고객이 결제한 내역 데이터를 수집하여 고객이 구매한 메뉴나 결제한 금액에 대한 정보를 챗봇을 통해 제공할 수 있습니다.

위와 같은 데이터를 수집하여 챗봇을 만들면, 고객이 음식점을 예약하거나 메뉴를 주문하는 등의 작업을 챗봇을 통해 간편하게 처리할 수 있습니다.

[질문] 어떤 프로그램으로 학습을 시켜야해?

[답변] ChatGPT와 같은 대규모 자연어 처리 모델을 학습시키기 위해서는 많은 컴퓨팅 자원과 높은 수준의 전문 기술이 필요합니다. 따라서 대부분의 개인이 직접 학습시키기는 어렵습니다.

하지만, 작은 규모의 챗봇을 만들기 위해서는 다양한 머신러닝 라이브러리나 프레임워크를 활용하여 학습시킬 수 있습니다.

여러분이 선택할 수 있는 프로그램과 라이브러리는 다양하지만, 대표적으로는 파이썬 언어를 사용하는 TensorFlow, PyTorch, Scikit-learn, Keras 등이 있습니다. 이러한 라이브러리들은 자연어 처리 모델을 구현하고 학습시키기 위한 다양한 기능과 도구를 제공합니다.

또한, 구글에서 제공하는 Dialogflow나 IBM Watson 등의 챗봇 플랫폼을 활용하여 챗봇을 만들 수도 있습니다. 이러한 플랫폼은 미리 학습된 모델과 다양한 기능을 제공하여, 개발자가 쉽게 챗봇을 만들고 배포할 수 있도록 도와줍니다.

따라서, 개인적으로 챗봇을 학습시키기 위해서는 어느정도 프로그래밍 경험이 필요하며, 원하는 기능에 따라 적절한 라이브러리나 플랫폼을 선택하여 학습시켜야 합니다.

최초의 인공지능은 20세기 초반의 계산 기계들과 로봇들이었습니다. 그러나 이들은 우리가 오늘날에 생각하는 인공지능과는 매우 다릅니다.

인공지능의 개념은 1956년 다트머스 컨퍼런스에서 처음으로 제안되었습니다. 이 컨퍼런스는 조지 다니엘 와이츠(George Daniel Weiss)와 존 매카시(John McCarthy)가 중심 인물로 참석하여 진행되었습니다. 이 컨퍼런스에서 인공지능은 "기계가 인간의 지능적 능력을 시뮬레이션할 수 있는 능력"으로 정의되었습니다.

최초의 인공지능 시스템은 1951년에 제작된 크리스토퍼 스트라치(Cristopher Strachey)의 '오감자(OXO)' 게임입니다. 이 게임은 이전에는 존재하던 틱택토 게임의 전자 버전으로, 컴퓨터가 인간과 경쟁하는 첫 번째 게임이었습니다. 그러나 이 시스템은 단순한 게임 시뮬레이션에 불과했기 때문에 인공지능의 개념 자체는 아니었습니다.

1956년, 존 매카시와 함께 인공지능 연구를 수행하던 앨런 뉴웰(Allen Newell)과 허버트 사이먼(Herbert Simon)은 로봇에게 지능적인 능력을 부여하는 시스템을 제안했습니다. 이 시스템은 로봇이 센서를 사용하여 주변 환경을 감지하고, 그 정보를 사용하여 문제를 해결하는 능력을 가지고 있었습니다.

그러나 이들의 연구는 단순한 모델링 기술에 머물렀고, 이후에도 인공지능 기술은 적극적으로 연구되지 않았습니다. 이유는 기존의 컴퓨터 시스템은 인간의 뇌와는 매우 다르기 때문에, 지능적인 능력을 가진 시스템을 만드는 것이 어렵기 때문이었습니다.

그러나 21세기 초반, 인공지능 기술은 급격한 발전을 이루었습니다. 특히 딥러닝 알고리즘과 GPU 등의 하드웨어 기술의 발전으로 인공지능 기술은 현재의 수준에 이르게 되었습니다.

ChatGPT와 같은 대화형 인공지능 API를 Python에서 사용하려면 다음과 같은 단계를 수행해야 합니다.

1. ChatGPT API를 사용하기 위해 API 키를 발급받습니다. API 키는 OpenAI 사이트에서 발급받을 수 있습니다.
2. Python에서 requests 모듈을 사용하여 ChatGPT API를 호출합니다.

import requests
import json

prompt = "Hello, how are you?"

headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer YOUR_API_KEY"
}

data = {
    "prompt": prompt,
    "temperature": 0.5,
    "max_tokens": 60,
    "top_p": 1,
    "frequency_penalty": 0,
    "presence_penalty": 0
}

response = requests.post("https://api.openai.com/v1/engines/davinci-codex/completions", headers=headers, json=data)

response_data = json.loads(response.text)
print(response_data['choices'][0]['text'])

위 코드는 requests 모듈을 사용하여 ChatGPT API를 호출하는 예시입니다. API 호출 시 https://api.openai.com/v1/engines/davinci-codex/completions URL을 사용하며, headers 변수를 통해 API 키를 인증합니다. 그리고 data 변수를 통해 인공지능 모델에 전달할 문장과 다양한 옵션을 설정합니다.

1. API 호출 결과는 response 변수에 저장됩니다. 이 값을 json.loads 함수를 사용하여 JSON 형태로 디코딩한 뒤, 필요한 정보를 추출하여 사용할 수 있습니다. 위 코드에서는 response_data['choices'][0]['text']를 통해 반환된 답변을 출력하고 있습니다.
2. 이제 ChatGPT API를 사용하여 Python 애플리케이션에서 인공지능 대화 시스템을 구현할 수 있습니다.