모듈 목표
- 검출 상자와 실제 집기 가능 위치를 구분하고 오탐 비용 설명.
원안의 선수 안내: M02, M11. 실제 보충은 아래 소주제별 권장 선수를 참고하세요.
M12.01OpenCV 영상·색공간·필터·특징
학습 목표
- 영상의 행/열/채널·색 순서·값 범위와 dtype을 해석하여 입력 변환 오류를 진단한다.
- 명시한 경계 규약의 평균/중앙값 필터와 차분을 계산하고 잡음 제거와 특징 손실의 차이를 설명한다.
- 영상 특징과 실제 물체/기하 위치를 구분하고 반복 무늬·저대비·가림에서 필요한 추가 검사를 제안한다.
권장 선수
일반 Python 코딩과 M01.02의 배열·shape·dtype 계약을 사용한다. 픽셀 축·경계·이웃 연산과 출력 의미는 본문에서 보충한다. 고전적 영상 처리 입문에 신경망 학습·평가나 3D 회전 단원 전체를 선수로 요구하지 않는다. 기본은 합성 픽셀 계산이며 선택 NumPy 코드는 개념 연산만 실행한다. OpenCV/카메라 실제 실행과 구분한다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: OpenCV 영상·색공간·필터·특징 · 본문M12.02핀홀·왜곡·내부 파라미터와 투영
학습 목표
- 카메라 optical 프레임의 점과 내부 파라미터로 픽셀 투영을 계산하고 단위/유효 조건을 설명한다.
- 단순 왜곡과 명시된 resize/crop 좌표 변환을 계산하여 영상과 보정 파라미터의 계약을 검사한다.
- 알려진 깊이의 역투영을 계산하고 깊이Z/거리range 및 한 픽셀의 깊이 모호성을 구분한다.
권장 선수
M02의 벡터/좌표, M12.01의 영상 축과 M08.05의 optical frame이 선수다. 기본은 주어진 보정값의 종이 투영이다. 실제 보정 추정/OpenCV·센서 실행이나 GPU가 필요하지 않다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: 핀홀·왜곡·내부 파라미터와 투영 · 본문M12.03라벨링·데이터 품질·YOLO 계열 검출 학습
학습 목표
- 검출의 클래스/가림 정책과 정규화 상자 포맷을 설명하고 가상 픽셀 상자를 라벨로 변환한다.
- 입력 resize/pad와 라벨 변환을 계산하고 누락·불일치·그룹 중복의 데이터 품질 결함을 진단한다.
- YOLO 계열의 가상 학습 계획에 모델/API·자료·권리·평가 조건을 기록하고 실제 검증 전의 주장 범위를 판정한다.
권장 선수
M11의 학습/분할/지표와 M12.01~02의 영상/좌표 변환이 선수다. 기본은 가상 라벨과 학습 명세의 종이 검사다. ultralytics는 로컬에 없으며 설치/가중치 다운로드·실제 학습/탐지를 수행하지 않는다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: 라벨링·데이터 품질·YOLO 계열 검출 학습 · 본문M12.04Semantic/Instance Segmentation과 차선/도로 장면
학습 목표
- semantic/instance 분할과 도로·차선 출력의 차이를 설명하고 class/instance ID와 표시 색을 구분한다.
- 합성 mask의 ignore 규칙·좌표 변환을 검사하고 유효 픽셀 정확도와 클래스별/평균 IoU를 계산한다.
- 분할된 도로를 실제 주행 가능 영역과 구분하여 가림·경계·조건 변화의 실패 근거 및 추가 확인을 제안한다.
권장 선수
M11.05의 IoU와 M12.01~03의 영상/투영/라벨이 선수다. 기본은 여섯 픽셀의 합성 mask와 도로 장면 설명의 종이 분석이다. 실제 segmentation 모델이나 차량/로봇을 실행하지 않는다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: Semantic/Instance Segmentation과 차선/도로 장면 · 본문M12.05시간 추적·가림·ID·오검출과 인지 프로젝트
학습 목표
- 검출·instance와 시간 tracking ID를 구분하고 같은 시계의 시간 간격으로 작은 위치 예측을 계산한다.
- 가상 연관 비용/게이트로 교차 물체의 연결을 계산하고 모호한 대응과 모형 가정의 한계를 설명한다.
- 가림·미검출·오검출·track 수명 정책을 해석하고 장비 없는 인지 프로젝트의 평가/실패 기록을 설계한다.
권장 선수
M12.01의 픽셀/영역과 M02.04의 불확실성 기초를 연결한다. 제공된 검출 좌표·ID 기록으로 연관·상실·재등장과 시간/자료 분리 기준을 본문에서 보충한다. 검출·분할 신경망 학습을 먼저 수행하지 않아도 기본 활동을 완료할 수 있다. 학습 모델을 바꾸는 확장은 M11.03/06·M12.03/04와 연결한다. 실제 영상 추적이나 Kalman/EKF 구현은 하지 않는다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: 시간 추적·가림·ID·오검출과 인지 프로젝트 · 본문M12.06정밀도·재현율·IoU·작업 성공 기준; 얼굴 인식은 선택 비교
학습 목표
- 명시된 검출 매칭 규칙으로 중복/미매칭을 판정하고 TP·FP·FN과 정밀도/재현율을 계산한다.
- score와 IoU threshold를 바꾼 결과를 비교하고 AP/집계·시험 선택 조건의 차이를 설명한다.
- 검출 지표와 실제 작업 성공의 조건을 분리하여 가상 판정표의 성공률과 필요한 추가 증거를 설명한다.
권장 선수
M11.03/05의 분할/지표와 M12.02~05의 공간·검출·추적 한계가 선수다. 기본은 합성 상자/score와 작업 판정표의 종이 계산이다. 얼굴 부분은 선택 개념 비교이며 실제 검출/식별이나 로봇 작업을 실행하지 않는다. 이미 알고 있다면 직접 열어볼 수 있습니다.
학습 범위: 기본 설명·예제가 준비되었습니다. 기존 보충 자료의 범위와 구별하세요.
교재 본문: 정밀도·재현율·IoU·작업 성공 기준; 얼굴 인식은 선택 비교 · 본문