[PART 0] 프롤로그 0.1 딥러닝 영상분석이란?0.2 인공지능 카메라로 무엇을 할 수 있을까?0.3 이 책의 실습 준비___구글 코랩에서 실습 준비___윈도우 프로젝트 환경 시작하기 [PART 1] 딥러닝 영상분석을 배워보자 ▣ 1장: 딥러닝 영상분석 소개1.1 대표적인 딥러닝 영상분석 기법 3가지___이미지 분류___이미지 객체 인식___이미지 분할1.2 영상분석을 위한 딥러닝 이해하기___인공지능 역사 속의 딥러닝___심층 신경망의 이해1.3 딥러닝 모델의 기본 구조___딥러닝 훈련 과정과 추론___손실 함수와 가중치의 최적화___경사 하강법과 역전파___소프트맥스 함수1.4 ANN MNIST 파이토치 예제 ▣ 2장: 딥러닝 영상분석의 시작, CNN2.1 왜 딥러닝 영상분석에서 CNN이 중요한가?___영상분석에서 입력 데이터의 특징___FC 레이어와 Conv 레이어2.2 CNN 이해하기___활성화 맵과 특징 맵의 차이___Conv와 Pooling 레이어의 역할2.3 딥러닝 학습 과정 준비___데이터세트 준비___활성화 함수___LeNet: CNN MNIST 파이토치 예제 ▣ 3장: 딥러닝 영상분석을 위한 학습 과정3.1 가중치의 최적화 솔버들___SGD + 모멘텀___Adagrad___RMSProp___Adam3.2 딥러닝 결과를 향상시키는 방법___배치 정규화___데이터 증강과 전이학습3.3 인기 있는 CNN 네트워크 구조___AlexNet: 최초의 CNN 기반 이미지 분류 대회 우승___VGGNet: 단순하면서 성능이 좋은 네트워크___GoogLeNet: 구글이 만들고 모두가 사용하는 네트워크___ResNet: 가장 깊고 성능이 좋은 네트워크3.4 ResNet 파이토치 예제___파이토치 분류 모델 훈련___파이토치 분류 모델 추론 ▣ 4장: 이미지 분할과 객체 인식4.1 이미지 분할___이미지 분할 개념___모델의 평가지표___FCN 이미지 분할4.2 이미지 객체 인식___이미지 객체 인식의 기본 개념___Faster R-CNN4.3 YOLO: 최초의 실시간 객체 인식 네트워크___YOLO: You Only Look Once___YOLOv2: 더 좋은, 더 빠른, 더 강력한___YOLOv3: 점진적 개선4.4 SSD: Faster R-CNN과 YOLO의 장점을 취합___SSD: Single Shot Multi Box Detector4.5 그 밖의 네트워크___Mask R-CNN: 이미지 객체 분할___MobileNet v2: 작지만 강력한 객체 인식___YOLOv4: 새로운 YOLO___YOLOv4-tiny: 소형 장치용 tiny 버전4.6 YOLOv4 실습___실습 준비___학습___심층 신경망 학습___코랩에서 이미지 추론 테스트 [PART 2] 딥러닝을 활용한 영상분석 프로젝트 ▣ 5장: 이미지 분류를 활용한 재활용품 분류5.1 재활용품 분리수거 프로젝트 개요5.2 데이터세트 클래스___파이토치 커스텀 데이터세트 클래스___이미지 분류를 위한 데이터세트 클래스5.3 심층 신경망 구현___모듈 임포트___MODEL의 핵심 구조_____init__ 메서드 구현___forward 메서드 구현5.4 전이학습 심층 신경망 구현5.5 심층 신경망 학습 클래스___클래스의 구조_____init__ 메서드 구현___prepare_network 메서드 구현___training_network 메서드 구현5.6 코랩에서 심층 신경망으로 학습___파이썬 클래스와 데이터세트 다운로드___학습___모델 다운로드5.7 코랩에서 이미지 추론 테스트5.8 윈도우 환경에서 추론 실습___재활용품 분류 추론 코드___재활용품 분류 추론 실행5.9 요약 ▣ 6장: SSD 사물인지 CCTV6.1 프로젝트 목표와 사용자 시나리오6.2 실습 준비___구글 드라이브 구성 및 소스 코드 다운로드___오픈 이미지 데이터세트 다운로드___데이터세트 클래스(OpenImagesDataset)6.3 네트워크 학습___SSD MobileNet v1 심층 신경망___SSD MobileNet v1 학습 클래스___SSD MobileNet v1 학습하기___코랩에서 추론 테스트6.4 윈도우 환경에서 프로젝트 추론 실습___SSD 사물 인지 CCTV 추론(동영상 및 카메라 영상 추론) 코드 설명___SSD 사물 인지 CCTV 추론 응용(객체 감지 로깅) 코드 설명___SSD 사물 인지 CCTV 추론 실행6.5 요약 ▣ 7장: YOLO를 활용한 횡단보도 보행자 보호 시스템7.1 프로젝트 목표와 사용자 시나리오7.2 YOLOv5 실습 준비___데이터세트 준비___YOLOv5 훈련7.3 윈도우에서 YOLOv5 추론 실습___윈도우에서 YOLOv5 추론 준비___YOLOv5 추론 테스트7.4 YOLOv7 실습 준비___YOLOv7 설명___데이터세트 준비___YOLOv7 훈련7.5 윈도우에서 YOLOv7 추론 실습___윈도우에서 YOLOv7 추론 준비___YOLOv7 추론 테스트7.6 요약 [PART 3] 젯슨 나노와 젯봇 활용 ▣ 8장: 젯슨 나노 추론 프로젝트8.1 젯슨 나노 시작하기___젯슨 나노 명세___젯슨 나노 부팅하기___기본 깃허브 소스 확인___젯슨 나노의 카메라 테스트___젯슨 나노 딥러닝 기본 세팅 확인___AI 가속화 엔진8.2 젯슨 나노에서 재활용품 분류 추론___재활용품 분류 추론 준비___재활용품 분류 추론 실행8.3 SSD 사물 인지 CCTV 젯슨 나노 추론___정지 사진의 SSD 추론 테스트___동영상 및 카메라 영상 추론 코드___SSD 사물 인지 CCTV 추론 응용(객체 감지 로깅) 코드 설명___SSD 사물 인지 CCTV 추론 실행___SSD 사물 인지 CCTV 추론 응용(객체 감지 로깅) 실행8.4 YOLOv4 현장 촬영 블랙박스 젯슨 나노 추론___추론 준비___다크넷 블랙박스 추론 코드8.5 YOLOv5 횡단보도 보행자 보호 시스템 젯슨 나노 추론___젯슨 나노에서 추론 준비___TensorRT 최적화___TensorRT를 활용한 추론8.6 요약 ▣ 9장: 세 가지 AI 모바일 로봇 프로젝트9.1 AI 모바일 로봇 프로젝트 준비___AI 모바일 로봇 준비___AI 모바일 로봇 기본 환경___AI 모바일 로봇 기본 테스트___전원 모드 설정9.2 충돌 회피를 위한 자동 긴급 제동___충돌 회피를 위한 상황 데이터 수집___AlexNet 네트워크로 훈련___충돌 회피를 위한 자동 긴급 제동 코드___AI-모바일 로봇 자동 긴급 제동 테스트9.3 팔로잉봇___추론 가속화 엔진 라이브러리___추론 가속화 사물 인식 모델 예제 코드___팔로잉봇 테스트 코드___미리 훈련된 모델로 팔로잉봇 테스트___CCTV용 SSD 모델로 팔로잉봇 테스트9.4 차선 인지 자율주행___차선 데이터 수집(간이 테스트)___ResNet-18 네트워크로 회귀 모델 훈련___차선 인식 자율주행 테스트 (간이 테스트)___차선 인식 자율주행 테스트 실행___차선 데이터 수집과 훈련 (트랙 테스트)___차선 인식 자율주행 테스트(트랙 테스트)9.5 요약