https://wiki.conaondaapps.com/index.php?action=history&feed=atom&title=%EA%B0%9D%EC%B2%B4_%ED%83%90%EC%A7%80 2026-08-20T16:25:40Z 이 문서의 편집 역사 MediaWiki 1.46.0 https://wiki.conaondaapps.com/index.php?title=%EA%B0%9D%EC%B2%B4_%ED%83%90%EC%A7%80&diff=55&oldid=prev 2026-08-20T04:19:05Z

<p>migrate: import legacy Wiki content to Vultr</p> <p><b>새 문서</b></p><div>&#039;&#039;&#039;객체 탐지&#039;&#039;&#039;(Object Detection)는 이미지 속에서 객체의 위치를 바운딩 박스로 표시하고 클래스를 분류하는 컴퓨터 비전 과제이다. 물체 인식, 자율주행, 사진 키워딩 등 다양한 상위 응용의 기초 기능이다.<br /> <br /> == 개요 ==<br /> 객체 탐지는 분류(classification)와 위치 회귀(regression)를 동시에 수행하는 과제로, 이미지 내 여러 객체의 클래스와 바운딩 박스를 예측한다. 객체 탐지 모델의 성능은 보통 COCO 데이터셋의 mAP(동급 평균 정확도)로 평가된다.<br /> <br /> == 관련 태스크 ==<br /> <br /> * 영역 분할(segmentation) — 픽셀 단위로 객체 경계 정의<br /> * 인스터니스 탐지(instance segmentation) — 개체 별 영역 분할<br /> * 키포인트 감지(keypoint detection) — 사람의 관절 위치 감지<br /> * 그라운딩(grounding) — 텍스트 지시어와 영역 매핑<br /> <br /> == 주요 기법 ==<br /> <br /> === 이단 감지기 ===<br /> R-CNN 계열이 대표적이며, 영역 제안(proposal)을 생성하고 각 영역을 분류하는 방식이다. 정확도가 높지만 보통 속도가 느리다.<br /> <br /> === 1단 감지기 ===<br /> YOLO 계열과 SSD가 대표적이며, 이미지를 그리드로 나누어 한 번의 전파에서 박스와 클래스를 예측한다. 실시간 응용에 적합하다.<br /> <br /> === Transformer 기반 ===<br /> DETR(DEtection TRansformer)는 앱채 가이드 없이 [[트랜스포머]]와 세트 기반 예측을 사용한다. 최근 모델은 모든 태스크를 통합하여 처리하는 경향이며, [[Florence-2]]와 같은 [[비전 언어 모델]]도 객체 탐지를 수행할 수 있다.<br /> <br /> == 함께 보기 ==<br /> <br /> * [[Florence-2]] — 객체 탐지를 포함한 통합 비전 모델<br /> * [[비전 언어 모델]] — 텍스트와 이미지를 함께 처리하는 모델 분류<br /> * [[트랜스포머]] — DETR 등 최신 탐지 기법의 기반<br /> <br /> == 출처 ==<br /> <br /> * [https://github.com/AlexeyAB/darknet YOLO (Darknet)]<br /> * [https://github.com/facebookresearch/detr DETR GitHub]<br /> * [https://cocodataset.org/ COCO 데이터셋]<br /> <br /> [[분류:컴퓨터 비전]]<br /> [[분류:머신 러닝]]</div>

Admina7ec671ac513