인테리어 공사 AI를 활용한 자동견적시스템 구축 (연재-모델배포 6/6)

종적으로 학습된 모델을 실제 환경에 배포한다. 이를 위해 모델을 ONNX나 TorchScript 형태로 변환하고, 이를 웹 서비스에 통합할 수 있다. Django는 Python 기반의 웹 프레임워크이므로 PyTorch로 개발된 AI 시스템을 웹에 통합하는 데 적합 하다. Django를 사용하면 웹 사이트의 기본 구조를 빠르게 설계하고, 데이터베이스를 관리하며, 사용자 인터페이스를 만드는 등의 작업을 할 수 있다. 하지만, Django만이 웹 개발에 사용할 수 있는 유일한 프레임워크는 아니다. Django 외에도 Flask, FastAPI 등의 Python 기반 웹 프레임워크도 많이 사용되며, 이러한 프레임워크들도 PyTorch와 잘 호환된다. Django는 비교적 크고 복잡한 웹 애플리케이션에 잘 맞는 ..

메거진 2023.07.18 0

인테리어 공사 AI를 활용한 자동견적시스템 구축 (연재-모델튜닝 5/6)

모델 튜닝은 모델의 성능을 최대한 향상시키기 위해 사용되는 과정이다. 주로 두가지 방법이 있다. 1. 하이퍼파라미터 튜닝: 모델의 성능을 향상시키기 위해 모델의 하이퍼파라미터를 "미세하게 조정하는" 과정을 의미할 수 있습니다. 이는 위에서 설명한 하이퍼파라미터 튜닝과 동일한 개념입니다. 이 경우, 학습률(learning rate), 에포크 수(epochs), 배치 크기(batch size) 등과 같은 하이퍼파라미터를 조정한다. 2. 전이 학습(Transfer Learning)에서의 Fine-tuning: 이미 학습된 모델(pre-trained model), 특히 딥러닝 모델을 새로운 작업에 맞게 "미세하게 조정하는" 과정을 의미하기도 합니다. 이 경우, 모델의 가중치를 미세하게 조정하여 모델을 새로운 작..

메거진 2023.07.18 0

인테리어 공사 AI를 활용한 자동견적시스템 구축 (연재-모델검증 및 테스트 4/6)

모델 검증 및 테스트는 AI 시스템 구축 과정에서 중요한 단계이다. 이 단계는 모델의 일반화 성능을 확인하고, 모델이 새로운 데이터에 대해 얼마나 잘 작동하는지를 평가하는 데 사용된다. 모델 검증 및 테스트 과정은 일반적으로 다음과 같이 수행된다: 1.검증(Validation): 검증 단계에서는 학습 과정에서 사용하지 않은 별도의 검증 데이터셋을 사용하여 모델의 성능을 평가한다. 이 단계는 모델의 학습 과정에서 반복적으로 수행되며, 각 에포크(epoch) 이후에 모델의 성능을 평가하는 데 사용된다. 검증 데이터셋을 사용하여 모델의 성능을 평가하면, 모델이 학습 데이터에 과적합(overfitting)되지 않았는지 확인할 수 있다. 2.테스트(Testing): 테스트 단계에서는 모델의 최종 성능을 평가하기 ..

메거진 2023.07.18 0