AWS에서 실행 방법

1. AWS Learner Lab에 들어가서 Start Lab 후 AWS 클릭
2. putty 실행 후 AWS의 flower 인스턴스의 Elastic public IP인 54.166.202.3을 입력
3. https://velog.io/@dojun527/AWS-EC2-Django-%ED%94%84%EB%A1%9C%EC%A0%9D%ED%8A%B8-%EB%B0%B0%ED%8F%AC%ED%95%98%EA%B8%B0 와 https://ndb796.tistory.com/244 와 https://roseline124.github.io/django/2019/05/21/pickmeal-SSH.html를 참고해서 yooona.ppk 키를 연결 (SSH -> Auth -> Browse에 key 업로드)
4. Session 카테고리로 다시 돌아와서 54.166.202.3 밑에 Open 클릭해서 원격 서버들어간 후 id로 ubuntu 입력
5. cd FlowerClassification/stock
6. python server.py
7. AWS의 flower 인스턴스의 퍼블릭 IP 주소에 Flask 포트 번호 5000을 입력해서 웹사이트 접속 (54.166.202.3:5000)

P.S. Django는 포트번호가 8000이고, Flask는 포트번호가 5000 (AWS 보안그룹에서 flower의 해당 보안 인바운드 규칙 편집해서 추가해줄 때 )

AICOCO 모델

입력 img_size = 28,28

✅ max_pooling 에서 ksize = [1,2,2,1] , padding = 'SAME'으로 줬기 때문에 반토막

conv1 : (?, 14, 14, 32) conv2 : (?, 7, 7, 64) conv3 : (?, 4, 4, 128) conv4 : (?, 2, 2, 256) conv5 : (?, 1, 1, 128)

1 x 1 x 128

flatten : (?, 128)

128을 입력으로 넣고 1024를 출력으로 지정해줬기 때문에 1024 결과

fc1 : (?, 1024)

1024를 입력으로 넣고 class 개수인 10을 출력으로 지정

fc2 : (?, 10)

구조가 잘 보이지는 않지만 image는 점점 반토막나서 작아지고 필터 수는 늘어나면서 5개의 conv layer를 거친다. 활성화함수로는 relu를 사용했고, cross_entroy_error로 loss를 구한 후, Adam으로 gradient를 최적화한다. batch_size는 50이고, keep_prob는 1로 설정하여 dropout은 안했다.

Flower Classification

현재 진행 상황

• [:innocent:] 크롤링 방법을 사용하여 데이터셋을 각 꽃당 1000장 씩 모음 -> 10개의 클래스로 총 10000장
• [:innocent:] PIL 라이브러리를 사용하여 데이터셋을 90도 회전, 180도 회전, 270도 회전, 색반전, GRAY로 채널 변경을 하여 총 50000 장의 데이터를 추가로 얻음 -> 원본 10000장 + 가공된 50000장의 데이터 셋
• [:innocent:] 엑셀에 꽃 축제 정보를 입력하여 파이썬으로 불러오기
• [:innocent:] 데이터 라벨링이 완료된 npy 파일 완성
• [:innocent:] 완성된 npy파일을 사용하여 CNN 학습

---

계획 대비 진행 상황

날짜별 계획서에 따라 100% 진행 완료

---

진행해야할 사항

• [:blush:] 학습에 사용된 모델의 정확도 비교
• [:blush:] 모델의 성능 향상
• [:blush:] 웹 앱 디자인
• [:blush:] CHECK POINT를 활용해 정확도 표출
• [:blush:] 웹 PREDICT 부분을 우리 CHECK POINT이용한 코드로 바꿔서 돌리기
• [:blush:] IMAGE RESIZE PILLOW 대신 OPENCV로 변경
• [:blush:] 우리코드 결과 이름만 있는거 [[이름],[ 확률] ] 꼴로 바꾸기