한 폴더 안에 압축 파일이 20개 정도 되는 상황이었고 한 파일, 파일 하나씩 터미널 창에서 unzip이나 tar 명령어를 이용하여 압축 해제를 하려니 정말 번거로웠다. 찾아보니 find 명령어로 한번에 해제할 수 있는 방법이 있었다.# zip 파일일 경우find . -name '*.zip' -exec unzip {} \;# tar 파일일 경우find . -name '*.tar' -exec tar xvf {} \;# tar.gz파일일 경우find . -name '*tar.gz' -exec tar xvf {} \;#bz2 파일일 경우find . -name '*.bz2' -exec tar xvf {} \;터미널 창에 압축 파일 포맷에 맞춰서 위 명령어들을 입력 해 주면 폴더 내에 있는 모든 압축 파일들이 한..
https://iambeginnerdeveloper.tistory.com/228 이전에 JetPack 4.6.2 버전을 JetsonTX2에 설치를 했었고 기본적으로 설치되어 있는 스펙은 다음과 같다. cuda 10.2, cudnn 8.2.1, tensorrt 8.2.1, python3.6 위 링크를 따라 pytorch도 설치했다면 1.8버전의 torch가 설치되었을 것이다. 근데 나는 YoloV8을 JetsonTX2에서 실행을 시키고자 했고, 그러기 위해선 ultralytics라는 모듈을 설치를 해야 했다. 근데 여기서 문제는 python3.7 이상부터만 설치가 가능하다는 것... python을 새로 설치해야 하는 상황이었다. 하지만 기존 python3.6 버전은 그대로 둔 채로 설치를 해야만 이후에 T..
이전에 Jetson Nano에 JetPack을 설치할 때 SD Card Image로 설치를 했었는데 JetsonTX2에 지원하는 JetPack은 Image 파일로는 설치가 안된다고 한다.. 무조건 SDK Manager로 설치를 해야 하기 때문에 Ubuntu Host PC가 꼭 있어야 한다. 1. HostPC(Ubuntu)에 NVIDIA SDK MANAGER 다운로드 https://developer.nvidia.com/embedded/jetpack-archive 먼저, 위 링크에서 필요한 버전의 jetpack을 클릭하여 sdk manager 다운로드한다. JetsonTX2는 4.6.X 버전까지만 지원을 하기 때문에 나는 4.6.2 버전을 다운받았다. 2. JetsonTX2 REcovery Mode 진입 a..
팀원 분이 오랜만에 켜 본 우분투 pc 비밀번호를 잊어버린 상황.. usb로 우분투 밀고 다시 깔아 달는 말에 다급하게 구글링 해서 패스워드 초기화를 해 줬다.. 뭔가 웃기고 어이없는 날... ㅋㅋㅋㅋ 나는 pc를 부팅하면 나오는 유저 로그인 창에서 비밀번호를 잊어버려 로그인이 안되는 상황이었다. 일반 계정 패스워드를 모른다는 건 root 계정의 패스워드 역시 잊어버렸다는 것... (기억하고 있을리 없음..) 일반 계정 패스워드를 초기화 하려면 root 계정의 패스워드도 알아야 하기에... root 계정 패스워드부터 초기화 하였다.. ◼️ root 계정 패스워드 초기화 1. pc를 재시작 후 부팅 시 Esc 또는 Shitf 연타(꾹 눌러도 된다고는 하는데 나는 두 개 연달아 연타하니까 진입이 되었음)해서..
jetson nano에 이어서 새로 셋팅하게 된 jetson tx2... 팬이 제대로 돌아가는지 등의 기기 결함이 없는지 확인하기 위해 몇가지 명령어를 입력하여 확인해 보았다.. ◼️ maximum power 모드 실행 sudo nvpmodel -m0sudo nvpmodel -m0 jetson nano면 m0이고 jetson xavier는 m3라고 하는데 jetson tx2에서 m3를 하려니 무서워서... m0로 해보았다.. 충분히 팬이 잘 돌아간다! ◼️ 쿨링 팬 동작 시키기 # 최고 성능으로 팬 동작 sudo jetson_clocks # 팬은 255일 때 최대 속도로 회전(소음 있음)하고 0일 때 정지함. sudo sh -c 'echo 100 > /sys/devices/pwm-fan/target_pw..
해당 포스팅은 '밑바닥부터 시작하는 딥러닝1'을 공부하고 정리, 요약한 글입니다. 모든 내용은 해당 도서를 기준으로 합니다. ◼️ 8.1 더 깊게 ◾ 8.1.1 더 깊은 신경망 그림 8-1과 같이 구성된 CNN을 만들고자 한다. 여기에서 사용하는 합성곱 계층은 모두 3x3 크기의 작은 필터로 층이 깊어지면서 채널 수가 더 늘어나는 것이 특징이다. 합성곱 계층의 채널 수는 앞 계층에서부터 순서대로 16, 16, 32, 32, 64, 64로 늘어간다. 그림과 같이 풀링 계층을 추가하여 중간 데이터의 공간 크기를 점차 줄여가고 마지막 단의 완전 연결 계층에서는 드롭 아웃 계층을 사용한다. 가중치 초깃값으로 He 초깃값을 사용하고 가중치 매개변수 갱신에는 Adam을 이용한다. import sys, os impo..
해당 포스팅은 '밑바닥부터 시작하는 딥러닝1'을 공부하고 정리, 요한 글입니다. 모든 내용은 해당 도서를 기준으로 합니다. ◼️ 7.1 전체구조 지금까지 본 신경망은 인접하는 계층의 모든 뉴런과 결합되어 있다. 이를 완전 연결(fully-connected)이라고 하며 완전히 연결된 게층을 affine 계층이라는 이름으로 구현했다. CNN도 지금까지 본 신경망과 같이 레고 블록처럼 계층을 조합하여 만들 수 있다. 합성곱 계층(convolutional layer)과 풀링 계층(pooling layer)이 새롭게 등장한다. CNN에서는 새로운 합성곱 계층(conv)과 풀링 계층(pooling)이 추가 되며 CNN 계층은 Conv-FeLU-(Pooling) 흐름으로 연결된다. 지금까지의 Affine-ReLU 연..
해당 포스팅은 '밑바닥부터 시작하는 딥러닝1'을 공부하고 정리, 요약한 글입니다. 모든 내용은 해당 도서를 기준으로 합니다. ◼️ 6.1 매개변수 갱신 ◾ 6.1.3 SGD 단점 SGD는 매개변수의 기울기를 구해 기울어진 방향으로 매개변수 값을 갱신하는 일을 몇 번이고 반복해서 최적의 값에 다가갔다. SGD는 단순하고 구현도 쉽지만 비효율적일 때가 있다. 식 6.2는 그림 6-1의 왼쪽처럼 밥그릇을 x축 방향으로 늘인 모습이며 실제로 등고선은 오른쪽과 같이 x축 방향으로 늘인 타원으로 되어 있다. 식 6.2의 기울기를 그려보면 그림 6-2처럼 된다. 이 기울기는 y축 방향은 크고 x축 방향은 작다는 것이 특징이다. SGD는 그림 6-3과 같은 심하게 굽이진 움직임을 보여주는데 이는 비효율적인 움직임이다...
해당 포스팅은 '밑바닥부터 시작하는 딥러닝1'을 공부하고 정리, 요약한 글입니다. 모든 내용은 해당 도서를 기준으로 합니다. ◼️ 5.1 계산그래프 계산 그래프는 계산 과정을 그래프로 나타낸 것이다. 그래프는 그래프 자료 구조로 복수의 노드와 에지로 표현된다. ◾ 5.1.1 계산 그래프로 풀다 계산 그래프는 계산 과정을 노드와 화살표로 표현한다. 노드는 원으로 표기하고 원 안에 연산 내용을 적는다. 그림 5-1에서는 x2와 x1.1을 각각 하나의 연산으로 취급해 원 안에 표기했지만 곱셈인 x만 연산으로 생각할 수도 있다. 그렇게 되면 그림 5-2처럼 2와 1.1은 각각 사과의 개수와 소비세 변수가 되어 원 밖에 표기하게 된다. 계산 그래프는 왼쪽에서 오른쪽으로 계산을 진행하며 이를 순전파라고 한다. 반대..
해당 포스팅은 '밑바닥부터 시작하는 딥러닝1'을 공부하고 정리, 요약한 글입니다. 모든 내용은 해당 도서 기준입니다. ◾ 4.1 데이터에서 학습 이번 장의 주제는 신경망의 학습이다. 여기서 학습이란 훈련 데이터로부터 가중치 매개변수의 최적값을 자동으로 획득하는 것을 의미한다. 또, 신경망의 특징은 데이터를 보고 학습할 수 있다는 점이다. ▪️ 4.1.1 데이터 주도 학습 기계학습은 데이터가 생명이다. 데이터에서 답을 찾고 데이터에서 패턴을 발견하고 데이터로 이가리르 만드는 것이 기계학습이다. 그래서 기계학습의 중심에는 데이터가 존재한다. 기계학습에서는 사람의 개입을 최소화하고 수집한 데이터로부터 패턴을 찾으려 시도한다. 게다가 신경망과 딥러닝은 기존 기계학습에서 사용하던 방법보다 사람의 개입을 더욱 배제..
