MungGu Story

Detecting Human Body Poses in an Image 이미지로부터 사람 신체동작 감지하기 PoseNet 모델을 활용해서 이미지를 분석하고 사람과 그들의 포즈를 알아낼 수 있습니다. Overview 개요 해당 샘플 프로젝트에서는 PoseNet 모델을 사용해서 카메라로부터 얻은 비디오 스트림을 증강하는 방법을 보여줍니다. PoseNet 모델은 17가지의 신체, 관절을 감지합니다. (눈, 귀, 코, 어깨, 엉덩이, 팔꿈치, 무릎, 손목, 발목 등) 집합적으로 해당 관절들은 특정 포즈를 형성하게 됩니다. 샘플 프로젝트에서는 이미지 내 각각의 사람에 대한 17가지 관절 위치를 찾고 그들의 위에 와이어프레임 포즈를 그리게 됩니다. Note : 샘플은 iOS13 버전 이후, iPadOS13 이후의 버..

✓ 해당 포스트는 이전 포스팅(https://0urtrees.tistory.com/75)에서 다루는 예제앱을 활용하며 이어지는 내용입니다. Create Vision Requests Vision Requests의 생성 앞서 보았던 예제(상기 포스팅 링크 참고)의 주요 코드를 보도록 하겠습니다. 먼저, 처리될 이미지와 함께 VNImageRequestHandler 객체를 생성합니다. 만약 동일한 이미지로부터 다수의 요청을 한다면 ex) 얼굴 감지 뿐만아니라 얼굴의 특징까지 감지하는 경우 이미지 요청 핸들러로 전달하기 위한 모든 요청들을 생성하고 묶습니다. Vision은 각각의 요청을 실행하고 현재 스레드에서 완료 핸들러(completion handler)를 실행합니다. 당신은 Vision이 모든 요청들을 끝낸..

Detecting Objects in Still Images 이미지에서 객체 판별하기 Vision Framework를 사용하여 이미지 내 텍스트, 얼굴, 직사각형, 텍스트 등을 찾아 구분할 수 있습니다. Overview 개요 Vision 프레임워크는 어떤 방향에서도 직사각형, 얼굴들, 텍스트 그리고 바코드 등을 감지할 수 있습니다. 이 샘플 코드(해당 문서, Detecting Objects in Still Images 에서 설치)는 객체의 타입을 감지하기 위해 어떻게 요청을 만드는지, 어떻게 이러한 결과들을 번역하는지를 보여줍니다. 당신이 관찰이 발생 된 위치를 시각화하고 어떻게 보이는지를 돕기 위해, 이미지 내 감지된 형태 주위에 CoreAnimation 레이어들을 사용해서 경로를 그립니다. 예를들어,..

Core ML iOS 앱과 ML(machine learning) 모델을 통합시켜주는 Framework Overview ML(Machine Learning) 모델을 iOS 앱에 통합하기 위해 CoreML 프레임워크를 사용할 수 있습니다. CoreML은 모든 ML모델들에 대한 통합된 표현을 제공합니다. 당신의 앱은 유저의 기기 상에서 조율된 ML모델들을 학습시키고, 예측하기 위해 CoreML API와 사용자데이터를 사용합니다. ML 모델은 ML 알고리즘을 training data 셋에 적용한 결과입니다. 당신은 새로운 입력데이터에 기반한 예측을 하기 위해 모델을 사용할 수 있습니다. 모델들은 코드로 작성하기에 어렵거나 실용적이지 못할 수 있는 다양한 범주의 작업들을 수행할 수 있습니다. 예를들어, 당신은 사..