딥러닝(DL)

딥 러닝(DL)은 다음과 같은 혁신적인 하위 집합입니다. 머신 러닝(ML)의 혁신적인 하위 집합으로, 컴퓨터가 경험을 통해 경험을 통해 학습하고 개념의 계층 구조로 세상을 이해할 수 있게 해줍니다. 인간 두뇌의 생물학적 인간 두뇌의 구조에서 영감을 얻은 DL은 복잡한 다층 아키텍처를 활용합니다. 신경망(NN) 으로 알려진 복잡한 다층 아키텍처를 활용하여 방대한 양의 데이터. 규칙을 정의하기 위해 종종 사람의 개입이 필요한 기존 알고리즘과 달리, DL 모델은 자동으로 특징 추출을 수행하여 이미지의 단순한 가장자리부터 텍스트의 복잡한 의미론적 의미까지 복잡한 패턴을 자동으로 식별합니다. 이러한 기능 덕분에 DL은 다음과 같은 많은 최신 혁신의 원동력이 되는 엔진입니다. 인공 지능(AI), 특히 다음과 같은 분야에서 컴퓨터 비전(CV) 및 자연어 처리(NLP).

딥러닝 작동 방식

딥러닝의 '딥'은 신경망 내의 숨겨진 레이어의 수를 의미합니다. 단순한 네트워크에는 한두 개의 레이어가 있을 수 있지만 딥 모델은 수십 개 또는 수백 개의 레이어가 있을 수 있습니다. 각 계층은 노드 또는 뉴런으로 구성되며, 뉴런은 입력 데이터를 처리하기 위해 모델 가중치 및 활성화 함수를 사용하여 입력 데이터를 처리하는 노드 또는 뉴런으로 구성됩니다. 훈련 단계에서 모델은 레이블이 지정된 데이터 세트에 노출되며 레이블이 지정된 데이터 세트에 노출되며 오류를 최소화하기 위해 내부 파라미터를 조정합니다.

이 조정은 다음과 같은 프로세스를 통해 이루어집니다. 역전파라는 프로세스를 통해 이루어집니다. 의 기울기를 계산합니다. An 최적화 알고리즘, 일반적으로 기울기 하강을 사용한 다음 가중치를 업데이트하여 정확도를 향상시킵니다. 여러 번의 반복, 즉 에포크에 걸쳐 네트워크는 네트워크는 높은 정밀도로 입력을 출력에 매핑하는 방법을 학습하며, 학습 데이터로부터 효과적으로 학습합니다.

딥 러닝 대 머신 러닝

DL은 ML의 일부이지만 데이터에 대한 접근 방식이 크게 다릅니다. 기존의 ML 방법은 종종 수동 피처 엔지니어링에 의존하는 경우가 많습니다. 전문가가 모델이 분석해야 할 피처를 명시적으로 선택하고 형식을 지정해야 합니다. 예를 들어 이미지 인식의 경우, 전문가는 다음과 같은 코드를 작성할 수 있습니다. 가장자리나 모서리를 detect 코드를 작성할 수 있습니다.

반면 딥러닝 모델은 이러한 기능을 자동으로 학습합니다. A 일반적인 DL 아키텍처인 컨볼루션 신경망(CNN)은 첫 번째 레이어에서 가장자리를 detect , 두 번째 레이어에서 모양을 detect , 더 깊은 레이어에서 자동차나 얼굴과 같은 인식 가능한 자동차나 얼굴과 같은 물체를 더 깊은 층에서 감지하는 방법을 학습할 수 있습니다. 이렇게 하면 수동으로 특징을 추출할 필요가 없으며 빅 데이터와 함께 DL 을 빅 데이터와 함께 효과적으로 확장할 수 있습니다.

실제 애플리케이션

딥러닝의 다재다능함 덕분에 다양한 산업 분야에서 딥러닝이 채택되고 있습니다.

1. 자율 주행 차량: 자율 주행 자동차는 실시간 인식을 위해 DL에 의존합니다. 다음과 같은 모델 Ultralytics YOLO11 와 같은 모델은 다음과 같은 용도로 사용됩니다. 보행자를 식별하기 위한 물체 감지, 보행자, 차량, 교통 신호를 즉시 식별하는 데 사용됩니다. 이 애플리케이션은 안전한 내비게이션을 위한 중요한 결정을 내리는 데 도움을 줍니다. 중요한 결정을 내리는 데 도움이 됩니다.
2. 의료 이미지 분석: 의료 분야에서 DL은 의료 스캔을 고감도로 분석하여 의사를 돕습니다. 알고리즘은 다음을 수행할 수 있습니다. 종양 탐지 종양을 발견하거나 안구 스캔에서 당뇨병성 망막증을 식별할 수 있으며, 종종 사람의 능력과 일치하거나 그 이상의 성능을 발휘합니다. 더 자세한 자세한 내용은 DL이 의료 서비스를 혁신하는 방법 의료 분야의 AI.

Ultralytics 구현

최신 라이브러리를 사용하면 추론을 위한 딥 러닝 모델을 구현하는 것은 간단합니다. 아래는 이미지에서 객체를 감지하기 위해 사전 학습된 YOLO11 모델을 사용하여 이미지에서 객체를 detect 예제입니다.

from ultralytics import YOLO

# Load a pretrained YOLO11 model (a deep learning architecture)
model = YOLO("yolo11n.pt")

# Run inference on a source image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results
results[0].show()

도구 및 생태계

DL 모델을 개발하려면 강력한 소프트웨어 프레임워크와 하드웨어가 필요합니다.

• 프레임워크: 가장 인기 있는 오픈 소스 라이브러리는 다음과 같습니다. PyTorch와 Meta에서 개발한 TensorFlow이 있습니다. 이러한 플랫폼은 신경망을 설계하고 훈련하기 위한 빌딩 블록을 제공합니다.
• 하드웨어: 딥 네트워크 트레이닝에는 무거운 행렬 계산이 포함되며, 이를 가속화하기 위해 GPU. 제조업체의 하드웨어 같은 NVIDIA 와 같은 제조업체의 하드웨어가 효율적인 처리를 위한 표준입니다.
• 플랫폼: 곧 출시될 Ultralytics 플랫폼은 DL 수명주기 전반을 관리할 수 있는 포괄적인 환경을 제공합니다. 전체 DL 수명 주기를 관리할 수 있는 데이터 세트 주석부터 모델 배포에 이르기까지 전체 DL 라이프사이클을 관리할 수 있는 포괄적인 환경을 제공합니다. 워크플로우를 간소화합니다.

이 분야에 대한 더 폭넓은 이해를 위해 다음과 같은 리소스를 참고하세요. MIT 딥 러닝 문서 및 IBM의 AI 가이드와 같은 리소스를 통해 읽을거리를 제공합니다.