// 움직이는 도형을 찾아 박스를 칩니다find the moving shapes and box them
const objects = 5;
const conf = 0.50;
const speed = 0.6;
function draw(t) {
for (const o of scene(objects, t * speed)) {
const { box, label, score } = detect(o);
if (score < conf) continue;
rect(box, label, score);
}
}경계를 밀거나, 강조된 숫자를 좌우로 끌어보세요Drag the divider, or scrub the highlighted numbers
실험하고, 만들고, 움직이게 합니다.
안녕하세요, 동욱입니다. 결정 트리부터 딥러닝 비전 모델까지, 머신러닝 모델을 실험합니다. 모델을 같은 조건에서 비교하고, 성능이 안 나오는 원인을 데이터와 실험으로 좁혀 가는 일을 좋아해요. Flutter·React로 앱과 웹을 만들고, After Effects·Premiere로 영상과 모션도 만듭니다.
이곳은 그 작업들이 만나는 작업실이에요. 프로젝트는 Work에, 공부하고 실험한 기록은 Log에 모아두었어요.
I experiment, build, and set things in motion.
Hi, I’m Dongwook. I experiment with machine learning models, from decision trees to deep learning vision models. I like comparing models under the same conditions and narrowing down why one underperforms with data and experiments. I also build apps and websites with Flutter and React, and make video and motion with After Effects and Premiere.
This is the studio where that work comes together. Projects live in Work, and notes from studying and experimenting live in Log.
대표 작업Selected work
전체 보기View all →
개·고양이 얼굴 탐지 모델 비교Comparing Cat and Dog Face Detectors
더 좋은 숫자를 버리고 조건부터 맞췄다 — SSDLite320과 YOLOv8n을 공정하게 비교해 경량 얼굴 탐지 모델을 고른 프로젝트.Setting aside a better number to match conditions first — a fair comparison of SSDLite320 and YOLOv8n to pick a lightweight face detector.
축구 중계 화면 Semantic SegmentationSoccer Broadcast Semantic Segmentation
픽셀 0.1%짜리 공을 IoU 0에서 0.77로 — 클래스 불균형의 원인을 실험으로 좁혀 간 U-Net++ 프로젝트.Taking a ball that covers 0.1% of pixels from IoU 0 to 0.77 — a U-Net++ project that narrowed down the cause of class imbalance through experiments.
최근 LogRecent log
전체 보기View all →데이터 과학을 위한 통계(4)Practical Statistics for Data Scientists (4)
「데이터 과학을 위한 통계」 정리 4편 — 신뢰구간, 정규분포와 z 점수, QQ 그림, 긴 꼬리 분포, 스튜던트의 t 분포.Notes on Practical Statistics for Data Scientists, part 4: confidence intervals, the normal distribution and z-scores, QQ plots, long-tailed distributions and Student's t-distribution.
개·고양이 얼굴 탐지: SSDLite320과 YOLOv8n을 같은 조건에서 비교하기Cat and Dog Face Detection: Comparing SSDLite320 and YOLOv8n Under the Same Conditions
Oxford-IIIT Pet 얼굴 박스로 SSDLite320과 YOLOv8n을 학습 조건을 맞춰 비교했다. 차이는 mAP@0.5가 아니라 높은 IoU의 박스 정밀도와 추론 속도에서 났다.Comparing SSDLite320 and YOLOv8n on Oxford-IIIT Pet face boxes with matched training conditions. The gap was not in mAP@0.5 but in box precision at high IoU, and in inference speed.
축구 경기 Semantic Segmentation에서 클래스 불균형 다루기 (U-Net++)Handling Class Imbalance in Soccer Semantic Segmentation (U-Net++)
공처럼 작은 클래스가 fold마다 IoU 0으로 무너진 원인을 시드 실험으로 좁히고, CE + Dice + 클래스 가중치로 해결한 실험 기록.Why tiny classes like the ball scored IoU 0 in some folds, how a seed experiment pinned the cause on unstable training, and how CE + Dice + class weights fixed it.
자율주행 차량은 어떻게 주변 장면을 이해할까요?How Do Self-Driving Cars Understand the Scene Around Them?
Semantic·Instance·Panoptic Segmentation이 각각 무엇에 답하는지, Panoptic이 둘을 어떻게 합치는지, Mask2Former 예제로 정리한다.Semantic, instance and panoptic segmentation compared — what each one answers, how panoptic combines them, and a Mask2Former example.
데이터 과학을 위한 통계(3)Practical Statistics for Data Scientists (3)
「데이터 과학을 위한 통계」 정리 3편 — 표본추출과 편향, 표본분포, 중심극한정리, 표준오차, 부트스트랩.Notes on Practical Statistics for Data Scientists, part 3: sampling and bias, sampling distributions, the central limit theorem, standard error and the bootstrap.