We read every piece of feedback, and take your input very seriously.
To see all available qualifiers, see our documentation.
add grape yield related research synthesis page - 우리와 비슷한 close-up + mask area→weight 연구 12개 비교표 - 다른 셋업이지만 빌릴 수 있는 아이디어 (UAV/SfM/NeRF/robot/cGAN) - Occlusion 한계 정량 분석 (berry 19% 가시성 등) - Allometric weight 수식 비교 + 우리 b=0.78 해석 - Calibration object 비교 (보드 → ChArUco → 80mm 기둥 경로) - 공개 데이터셋 정리 (WGISD, AgML, GrapeCS-ML, GrapeSet) - 머루 특이성 + 학계 기여 잠재력 - N 작을 때 evaluation metric (LOOCV, Bayesian CI) - 즉시 도입 가능 5가지 + 착각 금지 3가지 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
Updated _Sidebar (markdown)
docs: Home + Sidebar에 Deepvisions 재직 정보 + 시작일 최신순 정렬 + 종료 프로젝트 분리 - Deepvisions @ 2026.03~재직중 명시 (포도밭/야생동물/CCTV 모두 회사 진행) - 프로젝트 시작일 최신순 정렬 (CCTV 2026.05 → 야생동물 2026.04 → 포도밭 2026.03) - OnTheTop은 카카오테크부트캠프 + 종료 상태로 별도 섹션 - 포도밭 추천 읽기 순서를 최신→과거로 뒤집고 close-up 2026-05-19 페이지 추가
docs: 종별 mAP를 RPi 실측값으로 교체 (5종 320·640) - 학습 변천사 페이지의 종별 mAP 표를 추정치 → RPi 4 + ncnn FP16 실측 mAP50-95로 교체 (test split 2,484장 기준) - 비고 컬럼: 5종 모두 종별 특성·약점·운영 함의 작성 - per_class_map.png: 실측값 반영 + raccoon(320 최저) / bird(320↔640 최대 격차 + 실내 FP) 이중 강조 측정값: roe_deer 0.768 / 0.849 wild_boar 0.679 / 0.749 badger 0.704 / 0.784 raccoon 0.653 / 0.735 bird 0.617 / 0.744 all 0.684 / 0.787 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
add: 머루 close-up test_data 4장 3-Model 비교 + 회귀 모델 (2026-05-19) - SAM3 / yolov8m / yolo11m 검출 비교 (close-up에서 SAM3 압도적) - 면적-무게 모델: 부피(A^1.5) vs 회귀(11.74*A^0.78) 비교 - 회귀 4점 fit 한계 명시 (overfit, 50+ GT 필요) - 12장 overlay (4 사진 x 3 모델) 첨부
add: CCTV 자전거 경로 & 차량 공회전 탐지 프로젝트 페이지 3종 + 시각화 5장 - CCTV-Bike-Idle-Detection-Project: 메인 프로젝트 페이지 (문제 정의·의사결정·파이프라인) - CCTV-Idle-Detection-Pipeline-2026-05: boarding 상태기계 + idle 다중 신호 로직 - CCTV-Brakelight-Classifier-3-Model-Comparison: 3 모델 병렬 학습 + 도메인 갭 분석 - Home.md / _Sidebar.md 에 새 프로젝트 카드·기술 표 추가
docs: 종별 before/after 검출 예시 + 라이브 카메라 프레임 추가 - 5종(노루·멧돼지·오소리·너구리·조류) 각 2장씩 test 이미지에서 추론한 before/after 콜라주 5종 + 5종 통합 overview 1장 생성 - 카메라 MVP mp4에서 1차(천장 단색) vs 2차(선풍기 bird FP) 대표 프레임 추출 - 메인 페이지 한눈에 보기에 5종 overview 삽입 - 학습 변천사에 "종별 검출 예시 (Before / After)" 섹션 추가 - 카메라 MVP에 "실제 화면 비교 (1차 vs 2차)" 섹션 추가 (선풍기 → bird FP의 시그니처 이미지 포함) Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
docs: detection 2026-04 페이지 이미지 placeholder 5종 실제 차트로 교체 - progression_chart.png: stage별 mAP50/mAP50-95 line - stage_grouped_bars.png: 그룹별 막대 비교 - epoch_trajectory.png: yolo11m@1280 vs @1536 val 추이 + test 표시 - 보조 차트 추가: - axis_effects.png: 각 변경 축의 Δ mAP50-95 - pr_scatter.png: Recall × mAP50-95 산점도 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
docs: detection progression 2026-04 페이지에 후속 작업 섹션 + yield 파이프라인 링크 추가 - Fair chain 4-way 결과 (yolov8m 0.286 / yolo11m 0.291 / yolo11l 0.284 / yolo26m 0.283)로 plateau 확정 명시 - 후속 작업 섹션 추가: detection axis 종료 → segmentation axis 전환 - 수확량 예측 파이프라인 (2026-05) 페이지로 링크 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
add: 드론 포도 수확량 예측 — 파이프라인 (2026-05) + 시각화 5종 - Phase 1.1 mask + bunch_id 시각화 (밀집 케이스) - Phase A 합성 v1 vs v2 (random+alpha → wire-aware+Poisson) - 3 variant 비교 (AI 측면 시점 vs drone top-down) - detection plateau 후 segmentation·면적·무게 axis 전환 변천사 - 시점·도메인이 detector winner 결정함을 정량 비교 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
docs: 야생동물 RPi 배포 문서 9개 위치에 시각화 이미지 삽입 raw URL 패턴이 정상 동작 확인되어 메인 1장 + sub-page 4장 × 평균 2장 = 총 9장의 placeholder를 실제 이미지 markdown으로 교체. Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
restructure: 야생동물 탐지 RPi 배포 문서를 메인+sub-page 구조로 분리 - 메인 페이지를 grape 패턴(목차/한눈에 보기/문제 정의/의사결정/기술 검토 요약/문서 모음/회고)으로 슬림화 - sub-page 4종 분리: 5종 학습 변천사 / RPi 추론 백엔드 비교 / INT8 양자화 진단 / 카메라 MVP - Home.md, _Sidebar.md 에 sub-page 드릴다운 링크 추가 - 시각화 자산 9종 추가 (images/wildlife/), 각 페이지에 placeholder 표시 Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
Updated Vineyard Wildlife Guard on RPi Edge (markdown)
add: 야생동물 탐지 - RPi 엣지 배포 프로젝트 문서 - Vineyard-Wildlife-Guard-on-RPi-Edge.md: 5종 multi-class fine-tune, ncnn FP16 변환, INT8 양자화 실패 진단, picamera2 실시간 MVP까지의 의사결정·트러블슈팅·회고를 한 흐름으로 정리한 결산 문서 - Home.md: AI 기술 적용 사례 표에 YOLO11n+ncnn / picamera2+OpenCV 추가, 새 프로젝트 섹션 추가 (2026.04 ~ 진행중) - _Sidebar.md: Projects 섹션에 새 프로젝트 네비 + 드론 변천사 링크 추가
Updates progression doc with Stage A and Stage B2 results - Stage A (yolo11m@1280): mAP50-95 0.286 → 0.257 (-0.029, missed) - Stage B2 (yolo11m@1536): mAP50-95 0.286 → 0.251 (-0.035, missed) - Adds dedicated S2 → B2 interpretation section with 4 hypothesis table - Adds combined A+B2 retrospective: "model/resolution axis is blocked, pivot to data axis" - Updates next-candidates table: B2 strikethrough, oversample ratio sweep / additional drone labeling raised to top priority - Updates retrospective: adds 4th item on simultaneous "scale-up" axes overfitting risk
Adds drone detection progression document and links from related pages - Drone-Detection-Progression-2026-04.md: stage-by-stage progression with mAP results, decision rationale, and retrospective on what worked vs missed - Home.md: adds the new progression doc to the recommended reading order for the grape project - 포도밭-병해충-탐지-및-수확량-예측.md: adds new "학습 변천사와 의사결정 회고" section linking to the progression doc
Merge branch 'master' of https://github.com/ehdwo0427/study_repository.wiki
Adds SAM3 vs YOLO evaluation summary and documentation
Updated Home (markdown)
Updated deepvisions grounding_dino_vs_yolo_summary_20260407 (markdown)
내용 추가20260409
Updated deepvisions YOLO Model Comparison Summary (markdown)
Updated 포도밭 병해충 탐지 및 수확량 예측 (markdown)