지콩빵

현재 존재하는 가상환경 리스트 보기conda info --envs 가상환경 삭제 명령어conda remove --name [가상 환경 이름] --all   cuda 11.2 에 맞는 torch버전 설치pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 -f https://download.pytorch.org/whl/torch_stable.html 주피터 노트북에 커널을 등록conda install ipykernelpython -m ipykernel install --user --name torch_env --display-name "torch_env1"

Python 버전과 CUDA 버전이 요청한 PyTorch 버전과 호환되지 않을 때1. 파이썬 버전 확인python --versionPython 3.8.19  2. cuda 버전 확인nvcc --versioncuda 11.2 3. CUDA 11.2와 호환되는 PyTorch 버전이 없어서, 가장 가까운 버전(CUDA 11.3) 설치pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu113 4. PyTorch가 제대로 설치되었는지 확인

https://visualstudio.microsoft.com/ko/vs/older-downloads/ Visual Studio 이전 다운로드 - 2019, 2017, 2015이전 버전의 Visual Studio Community, Professional 및 Enterprise 소프트웨어를 다운로드합니다. 여기에서 MSDN(Visual Studio) 구독에 로그인합니다.visualstudio.microsoft.com공식 사이트에 들어가서 Visual Studio 2019를 다운받으려고 하면, 다운로드 할 수 없다고 나온다....구글링을 한참하다가 공식 문서를 보니https://learn.microsoft.com/en-us/visualstudio/install/install-visual-studio?vie..

AI 경진대회 참가하면서 gpu를 꼭 써야한다는 것을 깨닫고 반나절만에 환경을 구축했다다음 두 글을 번갈아 보며 설치했고 덕분에 꽤 빨리 성공한 것 같다(감사합니다)포인트는 귀찮더라도 처음에 호환되는 버전을 확실히 알아두고 설치를 시작해야 한다는 것이다https://velog.io/@mactto3487/%EB%94%A5%EB%9F%AC%EB%8B%9D-GPU-%ED%99%98%EA%B2%BD-%EA%B5%AC%EC%84%B1%ED%95%98%EA%B8%B0 GPU 사용을 위한 CUDA 환경 구성하기이번에 데스크탑을 맞추면서 Geforce RTX 3080 그래픽카드를 구매하였다.근데 GPU를 딥러닝에 학습에 사용하기 위해선 여러 환경 구성이 필요하다는 걸 깨닫고 설치하는데5일이 걸렸다;;글카 가격만velo..

1. repository를 로컬 컴퓨터에 복제, 해당 디렉토리로 이동git clone cd  2. 커밋 히스토리 확인git log --oneline 3. 특정 커밋으로 돌아가기- 여기서 는 돌아가고 싶은 커밋의 해시git reset  4. 강제 푸시git push origin --force -끝-

2편에서 실행한 코드 결과, 신뢰도가 50-60%인 경우 추가 분석을 수행하여 정확도를 높이는 방법을 적용했다. -신뢰도가 낮은 영역에 대해 이미지 전처리를 강화-다른 OCR 엔진(예: Tesseract)을 보조적으로 사용-결과를 한국 번호판 형식과 비교하여 검증import cv2import numpy as npimport easyocrimport pytesseractimport refrom google.colab.patches import cv2_imshow# 한국 번호판 패턴license_plate_pattern = re.compile(r'^\d{2,3}[가-힣]\s?\d{4}$')def preprocess_image(image): gray = cv2.cvtColor(image, cv2.COLO..

1편에서 Tesseract OCR과 OpenCV를 사용하여 차량 번호판을 인식하는 방법은 정확도가 현저히 떨어져 번호판 특화 데이터셋으로 학습된 OCR 모델 (CRAFT 텍스트 감지기와 딥러닝 기반 OCR 엔진인 EasyOCR을 결합) 을 사용해보았다.!pip install easyocr!pip install torch torchvision!pip install opencv-python-headlessimport cv2import numpy as npimport easyocrfrom google.colab.patches import cv2_imshowdef detect_text(image_path): # EasyOCR 리더 초기화 reader = easyocr.Reader(['ko', 'en'..

# 필요한 라이브러리 설치!pip install pytesseract!sudo apt-get install tesseract-ocr!sudo apt-get install tesseract-ocr-kor# 필요한 라이브러리 임포트import cv2import numpy as npimport matplotlib.pyplot as pltfrom google.colab.patches import cv2_imshowimport pytesseract# 이미지 전처리 함수def preprocess_image(image): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (5,5), 0) edged = cv2.Ca..

앙상블에 대해 공부하다가 "큰 수의 법칙" 이라는 개념이 나왔는데 이해가 되지 않아, 뤼튼에 물어보았다.  내 질문: "동전을 던졌을 때, 앞면이 51%, 뒷면이 49% 나오는 조금 균형이 맞지 않는 동전이 있다고 가정하겠습니다. 이 동전을 1000번 던진다면 대략 510번은 앞면, 490번은 뒷면이 나올 것이므로 다수는 앞면이 됩니다. 수학적으로 계산해보면 1000번을 던진 후 앞면이 다수가 될 확률은 75%에 가깝다는 것을 확인할 수 있습니다." 라는 말이 이해가 안가요. 1000번 던져서 510번 앞면이 나온다면 앞면이 다수가 될 확률은 51%아닌가요? 답변:아니요, 그렇지 않습니다. 1000번 던져서 510번 앞면이 나오는 것은 51%의 확률이 맞습니다. 그러나 앞면이 다수가 될 확률은 75%에 ..