[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 소개
1.1 대표적인 딥러닝 영상분석 기법 3가지
___이미지 분류
___이미지 객체 인식
___이미지 분할
1.2 영상분석을 위한 딥러닝 이해하기
___인공지능 역사 속의 딥러닝
___심층 신경망의 이해
1.3 딥러닝 모델의 기본 구조
___딥러닝 훈련 과정과 추론
___손실 함수와 가중치의 최적화
___경사 하강법과 역전파
___소프트맥스 함수
1.4 ANN MNIST 파이토치 예제

▣ 2장: 딥러닝 영상분석의 시작, CNN
2.1 왜 딥러닝 영상분석에서 CNN이 중요한가?
___영상분석에서 입력 데이터의 특징
___FC 레이어와 Conv 레이어
2.2 CNN 이해하기
___활성화 맵과 특징 맵의 차이
___Conv와 Pooling 레이어의 역할
2.3 딥러닝 학습 과정 준비
___데이터세트 준비
___활성화 함수
___LeNet: CNN MNIST 파이토치 예제

▣ 3장: 딥러닝 영상분석을 위한 학습 과정
3.1 가중치의 최적화 솔버들
___SGD + 모멘텀
___Adagrad
___RMSProp
___Adam
3.2 딥러닝 결과를 향상시키는 방법
___배치 정규화
___데이터 증강과 전이학습
3.3 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 네트워크
3.4 ResNet 파이토치 예제
___파이토치 분류 모델 훈련
___파이토치 분류 모델 추론

▣ 4장: 이미지 분할과 객체 인식
4.1 이미지 분할
___이미지 분할 개념
___모델의 평가지표
___FCN 이미지 분할
4.2 이미지 객체 인식
___이미지 객체 인식의 기본 개념
___Faster R-CNN
4.3 YOLO: 최초의 실시간 객체 인식 네트워크
___YOLO: You Only Look Once
___YOLOv2: 더 좋은, 더 빠른, 더 강력한
___YOLOv3: 점진적 개선
4.4 SSD: Faster R-CNN과 YOLO의 장점을 취합
___SSD: Single Shot Multi Box Detector
4.5 그 밖의 네트워크
___Mask R-CNN: 이미지 객체 분할
___MobileNet v2: 작지만 강력한 객체 인식
___YOLOv4: 새로운 YOLO
___YOLOv4-tiny: 소형 장치용 tiny 버전
4.6 YOLOv4 실습
___실습 준비
___학습
___심층 신경망 학습
___코랩에서 이미지 추론 테스트

[PART 2] 딥러닝을 활용한 영상분석 프로젝트

▣ 5장: 이미지 분류를 활용한 재활용품 분류
5.1 재활용품 분리수거 프로젝트 개요
5.2 데이터세트 클래스
___파이토치 커스텀 데이터세트 클래스
___이미지 분류를 위한 데이터세트 클래스
5.3 심층 신경망 구현
___모듈 임포트
___MODEL의 핵심 구조
___ __init__ 메서드 구현
___forward 메서드 구현
5.4 전이학습 심층 신경망 구현
5.5 심층 신경망 학습 클래스
___클래스의 구조
___ __init__ 메서드 구현
___prepare_network 메서드 구현
___training_network 메서드 구현
5.6 코랩에서 심층 신경망으로 학습
___파이썬 클래스와 데이터세트 다운로드
___학습
___모델 다운로드
5.7 코랩에서 이미지 추론 테스트
5.8 윈도우 환경에서 추론 실습
___재활용품 분류 추론 코드
___재활용품 분류 추론 실행
5.9 요약

▣ 6장: SSD 사물인지 CCTV
6.1 프로젝트 목표와 사용자 시나리오
6.2 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 테스트
6.4 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 실행
6.5 요약

▣ 7장: YOLO를 활용한 횡단보도 보행자 보호 시스템
7.1 프로젝트 목표와 사용자 시나리오
7.2 YOLOv5 실습 준비
___데이터세트 준비
___YOLOv5 훈련
7.3 윈도우에서 YOLOv5 추론 실습
___윈도우에서 YOLOv5 추론 준비
___YOLOv5 추론 테스트
7.4 YOLOv7 실습 준비
___YOLOv7 설명
___데이터세트 준비
___YOLOv7 훈련
7.5 윈도우에서 YOLOv7 추론 실습
___윈도우에서 YOLOv7 추론 준비
___YOLOv7 추론 테스트
7.6 요약

[PART 3] 젯슨 나노와 젯봇 활용

▣ 8장: 젯슨 나노 추론 프로젝트
8.1 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 엔진
8.2 젯슨 나노에서 재활용품 분류 추론
___재활용품 분류 추론 준비
___재활용품 분류 추론 실행
8.3 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) 실행
8.4 YOLOv4 현장 촬영 블랙박스 젯슨 나노 추론
___추론 준비
___다크넷 블랙박스 추론 코드
8.5 YOLOv5 횡단보도 보행자 보호 시스템 젯슨 나노 추론
___젯슨 나노에서 추론 준비
___TensorRT 최적화
___TensorRT를 활용한 추론
8.6 요약

▣ 9장: 세 가지 AI 모바일 로봇 프로젝트
9.1 AI 모바일 로봇 프로젝트 준비
___AI 모바일 로봇 준비
___AI 모바일 로봇 기본 환경
___AI 모바일 로봇 기본 테스트
___전원 모드 설정
9.2 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 테스트
9.3 팔로잉봇
___추론 가속화 엔진 라이브러리
___추론 가속화 사물 인식 모델 예제 코드
___팔로잉봇 테스트 코드
___미리 훈련된 모델로 팔로잉봇 테스트
___CCTV용 SSD 모델로 팔로잉봇 테스트
9.4 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