ONNX 모델 최적화 완전 가이드: 간편한 구현과 성능 향상
ONNX 모델 단순화를 통한 효율적인 추론 성능 향상
딥러닝 모델의 배포 과정에서 ONNX 형식은 표준으로 자리 잡고 있으며, 다양한 하드웨어 환경에서도 호환성을 제공합니다. 그러나 원본 모델은 불필요한 연산을 포함하고 있어 크기가 커지고 추론 속도가 저하되는 문제가 있습니다. 이를 해결하기 위한 핵심 기술이 바로 ONNX 모델 단순화입니다.
왜 모델 단순화가 필요 ...
8월 2일 13:54에 게시됨
Ubuntu 22.04에서 YOLOv5 개발 환경 구축하기
이 가이드는 Ubuntu 22.04 시스템에 YOLOv5 객체 감지 모델을 위한 개발 환경을 설정하는 방법을 상세히 설명합니다. 효율적인 패키지 관리를 위해 Miniconda를 활용하고, PyTorch 및 YOLOv5의 필수 의존성을 설치하는 과정을 다룹니다.
Miniconda 설치 및 환경 설정
Miniconda는 Python 환경과 패키지를 관리하는 데 유용한 도구입니다. 아래 단계에 따라 설치를 진행합 ...
7월 26일 13:40에 게시됨
Java로 ONNX 이미지 분류 모델 입력 전처리하기
ONNX 포맷의 이미지 분류 모델을 사용할 때 입력 이미지의 형식을 변환해야 하는 경우가 있습니다. 공식 문서에서는 Kotlin 예제가 제공되지만, Java를 사용하는 Android 개발자에게는 어려움이 있을 수 있습니다. 이 글에서는 Java로 이미지를 전처리하는 방법과 ONNX 모델을 실행하는 전체 과정을 소개합니다.
1. 이미지 전처리 클래스
아래 ImagePreProcessor 클래스는 ...
7월 13일 16:20에 게시됨
YOLOv8 분류 모델의 ONNX Runtime 추론을 위한 전처리 파이프라인 구현
Ultralytics의 YOLOv8 프레임워크는 분류, 탐지, 분할 등 다양한 비전 작업을 한 줄의 코드로 학습하고 배포할 수 있는 강력한 기능을 제공합니다. 하지만 .pt 가중치를 ONNX 형식으로 내보낸 후, ultralytics 라이브러리가 없는 환경에서 onnxruntime만으로 추론을 시도하면 결과값이 일치하지 않거나 신뢰도(Confidence)가 현저히 낮게 측정되는 경우가 발생합니다.
이 ...
7월 13일 02:29에 게시됨
축구 영상 분석을 위한 팀 및 심판 인원 분류 기술
1. 문제 정의 및 목표 설정
경기장 내 등장하는 인원은 주로 두 팀(파란색, 하얀색)과 심판으로 구성되며, 이 중 골키퍼는 제외하고 분류 대상으로 삼는다. 본 작업의 목적은 영상에서 각 인물을 정확히 식별하여 2차원 시각화 패널에 표시하는 것이다.
분류 대상:
파란 팀 선수
하얀 팀 선수
심판
2. 학습 방식 선택 및 구현 전략
2.1 Keras 기반 ...
6월 27일 17:37에 게시됨
딥러닝 생태계 연동성을 위한 ONNX 실무 노트
개요
Open Neural Network eXchange(ONNX) 는 다양한 머신러닝 라이브러리 간에 생성된 모델을 이동 가능하게 하는 핵심 기술 스펙입니다. 이는 서로 다른 프레임워크(A, B, C 등) 에서 학습된 네트워크 구조가 표준화된 IR(Intermediate Representation) 형식으로 변환되어, 하드웨어 가속기나 다른 실행 엔진에서도 효율적으로 재사용될 수 있게 합니다.
개발 환경 설정 ...
6월 27일 17:15에 게시됨