본문 바로가기

전체 글285

LHP에 극점이 있어야 안정한 이유 시스템의 극점이 우반평면(Right Half Plane, RHP)에 있을 때 불안정한 이유와 같다. 1) 배경 - 시스템의 전달함수는 라플라스 변환된 공간에서 표현된다. - 극점은 전달함수의 분모가 0이 되는 지점이다. - 극점은 시스템의 동적 특성을 결정하는데 영향을 미친다. 2) 본론 - 극점이 RHP에 있는 경우, 시간 영역에서 자연 응답이 증가하는 지수함수 형태를 갖는다. - 자연 응답이 증가하는 지수함수 형태를 가질 때, 시스템의 오차나 외부의 잡음이 시스템에 입력되면, 응답은 시간이 지남에 따라 무한대로 증가한다. - 시스템의 응답이 무한대로 증가한다는 것은 시스템이 제어되지 않고 불안정한 상태에 있다는 것이다. - 따라서 시스템의 극점이 RHP에 있으면 불안정한 이유는 극점이 시스템의 자연 .. 2023. 5. 18.
라벨링 과정 기록 보호되어 있는 글 입니다. 2023. 5. 17.
[YOLOv5] 학습된 모델파일(best.pt) 파이참에서 불러와서 관심영역 객체 detect 보호되어 있는 글 입니다. 2023. 5. 16.
[YOLOv5] 창문 밖 머리, 손 탐지(관심영역 밖 라벨링, 그냥 라벨링)/ 코랩 학습파일 내보내기 [1] 그냥 라벨링 (전체) 학습환경: COLAB !git clone https://github.com/ultralytics/yolov5 %cd yolov5 !pip install -r requirements.txt 실행 -> yolov5 폴더 생김 from google.colab import drive drive.mount('/content/drive') 구글 드라이브와 연동 (코랩은 yolov5 - data 폴더에 새로운 폴더 만들고(폴더명: 230516_test) roboflow에서 이렇게 export한 데이터셋 압축본 넣기 !unzip ./data/230516_test/head-hands.zip -d ./data/230516_test/ 압축 해제 체크한 곳: 데이터 압축파일 넣은 곳 위 코드 실행.. 2023. 5. 16.
overfitting방지 정규화 기법- 데이터증강, dropout, 가중치 감 보호되어 있는 글 입니다. 2023. 5. 16.
[YOLOv5] 좌표 구하고, 관심 영역 설정하고, 해당 영역 yolov5 탐지 한번에 여러개를 감지할려면, 각각 학습시킨 다음 병렬로 처리해서? 우리도 정상상태를 학습시키고 \, 튕너ㅏ올수있는것들을 각각 학습시켜서 뭔지 판별한다? 정상상태 자체를 학습시키고, 뭐가 창밖으로 튀어나왔 1. 이미지에서 관심영역 설정할 좌표를 찾기 ver1.(x,y)형식, 초록 점 화면에 찍힘 아래 코드 실행시키고, 이미지 찍으면 콘솔 결과창에 좌표가 표시됨 import cv2 ref_points = [] def click_event(event, x, y, flags, param): if event == cv2.EVENT_LBUTTONDOWN: ref_points.append((x, y)) print(f"좌표: ({x}, {y})") cv2.circle(image, (x, y), 5, (0, 255, 0.. 2023. 5. 15.