용어집

능동형 학습은 사용자가 능동적으로 데이터 포인트에 의도한 출력으로 레이블을 지정할 수 있는 기능을 제공하는 머신 러닝 알고리즘입니다. 이 알고리즘은 레이블이 지정되지 않은 데이터 풀에서 다음에 레이블을 지정할 데이터 포인트를 무작위로 선택합니다.

앵커 박스는 일반적으로 객체 감지 모델에서 볼 수 있는 미리 정의된 경계 상자입니다.

어노테이션은 딥 러닝 모델에 예측하고자 하는 결과를 학습시키기 위해 데이터에 레이블을 지정하는 프로세스입니다. 일반적으로 바운딩 박스는 객체 감지 학습에 사용되며 다각형은 예제 세분화 학습에 사용됩니다.

주석 형식은 주석을 인코딩하고 바운딩 박스의 크기와 위치를 설명하는 특정 방법(COCO, YOLO, TXT 등)입니다.

애플리케이션 프로그래밍 인터페이스는 데이터베이스 또는 애플리케이션 내에서 다른 소프트웨어와 전달할 수 있는 구성 요소를 제공하는 메커니즘입니다. 기업은 이를 사용하여 디지털 트랜스포메이션 또는 에코시스템을 지원할 수 있습니다. 유니티는 REST API를 사용하여 사용자가 자신의 모델을 유니티 플랫폼으로 쉽게 가져올 수 있도록 지원합니다.

속성은 머신 러닝에 활용되는 데이터 항목이며, 속성 그룹은 제품의 추가 정보를 생성하기 위한 속성 클러스터를 정의합니다.

증강은 데이터 세트의 견고성을 높이는 데 유용합니다. 사용자는 위치 증강 또는 색 공간 증강을 통해 기존 데이터 세트를 강화할 수 있습니다. 이러한 증강 기술을 사용하면 모델이 학습하는 동안 특정 기능에 의존하지 않아도 됩니다.↪CF_200D↩

AutoML은 실제 환경에 적용하기 위해 학습 모델을 최적화하는 작업을 스스로 자동화합니다. 여기에는 원시 데이터 세트 로딩부터 ML 모델 배포까지 전체 프로세스가 포함되어 있습니다.

역전파는 신경망이 스스로를 개선하는 2단계 훈련 과정입니다. 각 뉴런의 오류 계산을 통해 파라미터를 조정하는 머신러닝 알고리즘입니다.

바운딩 박스는 객체를 마무리하는 이미지의 직사각형 영역으로, 객체의 (x,y) 좌표↪CF_200D↩로 표시됩니다.

COCO는 서로 다른 모델의 성능을 비교하고 일반적인 객체 감지 문제를 해결하기 위해 수집된 이미지 데이터 세트로, JSON 형식으로 저장됩니다.↪F_200D↩

분류는 미리 설정된 속성을 기반으로 특정 클래스가 포함되는지 파악하기 위해 변수를 분류하는 작업입니다↪CF_200D↩.

클러스터링은 유사성에 따라 유사한 인스턴스를 그룹화하는 비지도 기법이며, 데이터 포인트에는 레이블이 포함되지 않습니다.

컴퓨터 비전은 컴퓨터가 이미지와 비디오를 보고 이해할 수 있도록 하는 과학입니다. 이는 이미지나 비디오에서 사람이나 물체를 감지하거나 도로 표지판을 읽는 등 시각적 콘텐츠를 이해할 수 있는 알고리즘을 개발함으로써 이루어집니다.↪CF_200D↩

CNN은 적어도 하나의 컨볼루션 계층이 있는 신경망입니다. 일반적으로 이미지 인식 및 식별에 사용됩니다.↪CF_200D↩