SLOW NOTES · CLEAR STRUCTURE
Learning, building, and documenting.
학습 손실, 검증, 테스트, 과적합, 과소적합, 일반화버전 메모이 글은 2026-09-09 최종 검증 기준 Ultralytics 공식 문서와 공개 구현을 직접 확인하면서 정리했다. optimizer=auto, cls_remap, 체크포인트 저장 형식, YOLO26의 nms/손실 이름처럼 구현에 가까운 부분은 버전에 따라 달라질 수 있다. 그래서 실제 실험에서는 ultralytics 버전, args.yaml, 학습 로그를 함께 확인해 두는 편이 좋다.YOLO 학습이 오류 없이 끝나고 학습 손실이 계속 내려갔다고 하자.그렇다면 모델이 잘 학습됐다고 말해도 될까?꼭 그런 것은 아니다. 객체 탐지에서 중요한 것은 학습 데이터에 얼마나 잘 맞았는지만이 아니라, 학습에 사용하지 않은 새로운 데이터에서도 잘 동작하는..
댓글
구글이 9월 30일 차세대 AI 모델 Gemini 4 Argon을 공개했다. 금융·법률 등 전문 업무와 장시간에 걸친 소프트웨어 개발, 보안 방어를 주요 활용 분야로 내세운 모델이다.이번에 공개된 성적표에는 GPT-6 Astra, Claude Fable 5.1, Claude Opus 5.5와의 비교 결과가 담겼다. Argon은 총 19개 평가 가운데 14개에서 가장 높은 점수를 기록했다. 보안 취약점 수정 평가인 CWE-bench v1에서 Astra와 기록한 공동 1위도 여기에 포함된다.다만 이번 결과를 모든 분야에서 경쟁 모델을 앞섰다는 의미로 받아들이기는 어렵다. 실무 업무와 긴 입력 처리에서는 강점을 보였지만, 터미널 작업과 일부 코딩·컴퓨터 조작 평가에서는 다른 모델이 더 높은 점수를 기록했다.실..
댓글
우리는 어떤 행동을 왜 하게 되는 것일까?생각해보면 나는 지금까지 어떤 행동을 설명할 때 개인의 성격이나 의지를 먼저 떠올렸던 것 같다.공부를 열심히 하는 사람을 보면원래 성실한 사람이니까.라고 생각하고,규칙을 자주 어기는 사람을 보면원래 그런 성격을 가진 사람이니까.라고 생각하는 식이다.그런데 조금 다르게 생각해볼 수도 있다.우리가 하는 행동이 처음부터 내 안에 있었던 것이 아니라면 어떨까?주변 사람들의 행동을 보고,그들의 생각을 듣고,어떤 행동을 했을 때 돌아오는 반응을 경험하면서조금씩 지금의 행동을 배우게 된 것이라면 말이다.이런 질문을 거듭해서 생각하다 보면 에이커스(Ronald L. Akers)의 사회학습이론과 만나게 된다.에이커스의 사회학습이론은 범죄나 일탈행동을 설명하기 위해 발전한 이론이지..
댓글
대화가 끝난 뒤에도 맡긴 일을 계속하는 AI 비서, dots가 ChatGPT에 새로 들어왔다.이번 글에서는 dots가 기존 ChatGPT와 어떻게 다른지, 처음 설정할 때 무엇을 확인해야 하는지 정리해 보았다.추가로 같은 날 공개된 GPT-6.1 Sol과 DevDay 2026의 주요 발표도 함께 살펴볼 예정이다.이번 발표에서 먼저 볼 것이번 발표에서 가장 눈에 들어온 것은 대화를 마친 뒤에도 작업이 이어진다는 점이다.우리가 ChatGPT에 질문하고 답을 받는 흐름은 이미 익숙하지만 dots는 여기에 목표를 맡기고, 진행 상황을 확인하고, 필요한 순간에 판단을 내려주는 흐름을 더해준다.이를 가능하게 하는 작업 공간도 따로 존재하며 각 dot은 전용 클라우드 컴퓨터와 브라우저에서 움직이고, GPT-6 Ast..
댓글
우리가 무언가를 배운다고 하면 보통 직접 해보는 모습을 떠올린다.문제를 풀어보고,실수를 해보고,그 결과를 통해 조금씩 방법을 알아가는 것이다.그런데 가만히 생각해보면 우리가 배운 것 중에는 직접 경험하지 않은 것도 꽤 많다.어른에게 인사하는 방법도 그렇고,처음 가본 장소에서 어떻게 행동해야 하는지도 그렇다.누군가 발표하는 모습을 보고 발표하는 방법을 배우기도 하고,다른 사람이 실수하는 모습을 보면서나는 저렇게 하지 말아야겠다.라고 생각하기도 한다.그렇다면 이런 질문을 해볼 수 있을 것 같다.사람은 직접 경험하지 않고도 배울 수 있을까?그리고 조금 더 나아가면,나는 지금까지 누구의 행동을 보면서 지금의 내가 되었을까?이 질문을 생각하다 보면 앨버트 반두라(Albert Bandura)의 사회학습이론, 그중에..
댓글
Lepton 3.5와 YOLO로 실내 재실 여부를 판단할 때, 열영상을 어떤 형태로 입력해야 할까?컬러맵, 합성곱, 사전 학습, 입력 일관성의 관점에서 그레이스케일을 선택한 이유를 정리해 보았다.앞선 YOLO 글에서는 열화상 영상을 같은 값의 3채널로 복제하는 방법과, 모델 자체를 실제 1채널 입력 구조로 바꾸는 방법을 구분했다. 이번에는 그보다 앞선 질문으로 돌아가 보려고 한다.열영상에 컬러맵을 적용하면, 모델도 사람처럼 대상을 더 쉽게 구분할 수 있을까?이 질문에 답하려면 두 가지를 나누어 생각해야 한다.하나는 입력에 담긴 측정 정보가 늘어나는가이고, 다른 하나는 그 정보를 주어진 모델이 더 쉽게 학습하는가이다.두 질문은 얼핏 보기에 비슷해 보이지만 같은 질문은 아니다.이번 Lepton 3.5 기반..
댓글
시리즈 「1/π를 향한 2000년」: 1편 원과 무한 / 2편 AGM과 타원적분 / 3편 모듈러의 세계 / 4편 1103의 탄생 / *5편 검증과 그 이후***지난 편 요약. 르장드르 관계식에 특이 모듈러스 $k_N$ 과 특이값 함수 $\alpha(N)$ 을 넣으면, 계수가 모두 대수적 수인 1/π 급수가 나온다. $N$이 클수록 급수가 빠르지만 계수가 복잡해지므로, 유수 2인 판별식 중 가장 큰 $N = 58$ 이 최선이었고, 이때 베버 불변량 $g_{58}^{12} = 9801 + 1820\sqrt{29}$ 에서 $9801 = 99^2$ 과 $z_{58} = 1/99^4$ 이 나오고, $396^4 = e^{\pi\sqrt{58}} + 104 + 4372\thinspace e^{-\pi\sqrt{58}..
댓글
시리즈 「1/π를 향한 2000년」: 1편 원과 무한 / 2편 AGM과 타원적분 / 3편 모듈러의 세계 / 4편 1103의 탄생 / 5편 검증과 그 이후지난 편 요약. $K'(k)/K(k) = \sqrt N$ 이 되는 특이 모듈러스 $k_N$ 은 대수적 수이고, 그 점에서 특이값 함수 $\alpha(N)$ 도 대수적 수다. 클라우젠 항등식은 $K^2$ 를 하나의 급수 $(2K/\pi)^2 = \sum \frac{(1/2)_ n^3}{(n!)^3}(2kk')^{2n}$ 로 바꿔 준다. 라마누잔의 "시그니처 4" 이론에서는 계수가 $(\frac14)_ n(\frac12)_ n(\frac34)_ n/(n!)^3$ 이 되는데, 이것이 곧 $(4n)!/(n!)^4$ 를 $256^n$ 으로 나눈 것이다.이번 편에서..
댓글