김태휘 이번 모임에서는 앱의 핵심기능을 구현하기 위해 커스텀 데이터셋을 통해 객체 감지 모델을 빌드해보았다. 이전에 TFLite버전으로 모델을 빌드해왔었지만 tensorflow serving 서버에서 모델을 배포하기 위해서는 다른 tensorflow 모델이 필요하여 다시 모델을 빌드하였다. 또한 더 높은 정확성을 위해서도 현재 SOA 모델인 YOLOv8를 사용해야했기 때문에 새롭게 모델을 빌드하였다. 앞으로는 쓰레기의 종류별로 어떤 게 분리수거가 잘 된건지, 안된 것인지에 대한 기준을 세우고 데이터를 잘 수집하며 모델의 성능을 끌어올릴 것이다.
정동민 이번 모각소 4차 모임에서는 머신러닝이 돌아갈 tensorflow serving 서버를 구축했고, 해당 서버에 적절하게 이미지를 전처리해 request를 보낼 flask 서버를 만들었다. 백엔드 시스템을 구축해보는 경험은 처음이여서, 이번 주 내내 관련 자료를 찾아보고 이를 구현하기 위한 방법들을 찾아봤는데, 오늘 성공적으로 구현할 수 있어서 굉장히 마음에 들었다. 다음 모각소 전까지는 다수의 client들이 동시에 요청을 했을 때, 적절하게 handling할 수 있는 방법을 찾아서 적용해보아야겠다.
박현재 본격적인 애플리케이션 구현에 앞서, 개발하고자하는 앱의 핵심 기능인 머신러닝 모델을 만들기 위해 오늘은 데이터 라벨링 작업을 했다. 아직 기계학습 과목을 듣지 않아 머신러닝에 익숙하지 않았는데, 오늘을 통해서 데이터의 중요성과 모델링에 요구되는 전반적인 과정을 경험해볼 수 있었다. 다음 시간에는 firebase를 통해서 사용자 데이터를 적절하게 관리하는 시스템을 구현해 봐야겠다.
권경민 오늘은 앱의 핵심적인 기능을 구현하기 위한 사전 준비로 데이터 라벨링 작업을 했다. 기계학습 수업의 경험을 통해서, 데이터 라벨링에 사용할 수 있는 roboflow를 떠올릴 수 있었다. 굉장히 지루한 작업이긴 했지만 내가 한 작업으로 모델의 정확성이 올라갈 수 있다는 점이 뿌듯했다. 추가적인 프론트엔드 개발을 하고자 했으나, firebase auth의 SHA 인증 코드의 문제 등으로 인해서 주어진 시간 내에 수행하지 못해서 굉장히 아쉬웠다. 다음 시간까지 해당 문제를 해결해서 프론트 엔드 개발을 보다 수월히 할 수 있도록 준비해야겠다고 생각했다.
