미리보기

목표

• AI Agent를 이용해 상품 트렌드, 리콜 상품 파악 및 AI 기반 자동 주문 시스템 개발

  
  

역할

• LSTM 기반 판매량 예측 모델로 적정 재고량 계산 (데이콘 기준 상위 5% 성능)

• FastAPI를 이용한 엔드포인트 구축

• React를 이용한 Dashboard 구조 설계

관련기술

• LSTM, FastAPI, React

목표

• 집, 나무, 사람의 그림 이미지를 이용해 심리 분석 결과를 알려주는 서비스 개발 및 배포

역할

• 성능과 처리 시간의 Trade-off 관계에서 적절한 Yolo v8n 모델 선택

• EDA를 통해 HTP 심리 테스트를 위한 객체 크기 기준 설정

• FastAPI와 Docker를 이용한 환경 구축

관련기술

• Ultralytics, FastAPI, Docker

목표

• X-ray Hand bone 이미지를 이용해 Sementic Segmentation을 수행하는 대회 형식의 프로젝트

역할

• Elastic, CLAHE, Rotate 등의 많은 데이터 증강 실험을 진행해 최종 0.012 성능 개선

• BCE loss, dice loss, focal loss 등의 다양한 loss 함수 실험을 진행해 최종 0.011 성능 개선

• Hard Voting 앙상블 실험을 진행해 단일 모델 최고 성능 대비 0.002 성능 개선

관련기술

• Data Augmentation, SMP, timm, WandB

목표

• 10가지 종류의 쓰레기 이미지를 이용해 Object Detection을 수행하는 대회 형식의 프로젝트

역할

• MMDetection 라이브러리를 이용해 모델 및 백본 실험을 진행, baseline 대비 0.08 성능 개선

• Ultralytics 라이브러리를 이용해 Yolo v8, RTDETR 등의 모델 실험 진행, baseline 대비 0.25 성능 개선

• WBF 앙상블 기법을 이용해 단일 모델 최고 성능 대비 0.07 성능 개선

관련기술

• MMDetection, Ultralytics, Detectron2, WandB

목표

• 스케치 이미지를 이용해 Classification을 수행하는 대회 형식의 프로젝트

역할

• CNN계열, ViT계열, Hybrid계열 모델 실험을 통해 0.29 성능 개선

• Text-to-Image 모델인 sdxl-turbo 모델을 사용하여 오프라인 데이터 증강

• 정확도가 낮은 Case에 대한 Threshold 값을 조정하여 0.02 성능 개선

• Hard Voting 앙상블 기법을 적용하여 단일 모델 대비 0.38 성능 개선

관련기술

• timm, sdxl-turbo, WandB

목표

• 음식 이미지를 통해 칼로리를 계산해주는 Detection 모델 개발

역할

• 데이터 라벨링 및 객체 탐지 모델 Fine-tuning

• FastAPI로 백엔드 환경 개발까지 전체적인 서비스 개발 워크플로우 경험

관련기술

• FastAPI, Ultralytics

• 딥 러닝의 기초 이론에 대해 배우고, 대회 형식의 프로젝트를 통해 검증

• Computer Vision 트랙을 선택하여 실전 역량을 높였음

• 해당 트랙에서 현실 데이터로부터 문제를 정의하고 AI 모델을 설계하여 서비스화하는 문제 해결 과정을 경험

• Coursera 강의 사이트를 이용해 Andrew Ng 교수님의 Deep Learning Specialization 강의를 통해 딥 러닝 기초에 대해 배울 수 있었음

• Kaggle Competition을 통해 머신러닝 프로젝트 실습

• Gemma 2B 모델은 LoRA 기법을 이용해 Fine-tuning 실습

• 실제 회사에서 AI 모델을 개발하는 방법, 개발 후 어떠한 방법으로 서비스화 하는지 전체적인 워크플로우를 알 수 있게 되었음

• Computer Vision 연구실 학부연구생 경험

• CV 모델에 대한 논문을 많이 읽어보고 From-Scratch로 구현하면 이해하는 공부 진행

• 기업 연계인 동영상 내 개인정보 비식별화 프로젝트를 진행