preprocess.py Argparser를 통해서 데이터셋을 처리할 때 편리하게 만들기 import argparsefrom utils import PrepareDatasetdef audio_process(config) -> None: print('Start audio processing') preprocessor = PrepareDataset() preprocessor.process_audio( source_dir=config.target_dir, remove_original_audio=config.remove_original_audio, ) #이미 만들어 놓은 process_audio 함수에 config를 넣는다. 파일을 처리할 명령어를 만든다.def f..
#include #include stringvoid modify(int& value) { //함수는 void로 생성. &을 붙여주면 call by reference value =10;}int main(){ value = 5; modify(value); cout C++ 문법은 참조값 전달이 더 수월하다. .find("찾을 문자", 찾을 인덱스) => 인덱스 반환.replae 혹은 + ,+=로 문자 변환""이 아닌 ''을 사용해야 char 취급 Auto문 STL은 어떤 타입이라도 사용할 수 있지만, auto 키워드를 사용하면 벼수의 타입을 자동으로 추론하여 코드가 더 간결해진다.세상 참 좋아진듯#include #include #include #include using namespace std;int..
이제 본격적으로 Github Action 사용한다. 그 전에 docker compose 파일을 만들어야 하기에, 만약 컨테이너 안에 접속되어 있다면 exit를 이용해 ubuntu 서버로 나가자. vim docker-compose-blue.ymlyml 파일은 다음과 같이 작성한다. version: '3.8'services: blue: image: docker 레포지토리 사용자 이름/live_server:latest container_name: blue ports: - "8080:8080" environment: - PROFILES=blue - ENV=blue그리고 green을 위해서 하나 더 만든다.cp로 copy한다. cp docker-compose-bl..
이번 시간에는 지난 글에 이어 nginx의 세팅을 바꿔준다.nginx의 세팅을 바꿔주려면 일단 nginx 컨테이너 안에 접속을 해야 한다. 다음과 같은 명령어를 실행한다.docker exec -it nginxserver bash-it는 옵션이다. bash 환경에서 표준 입출력을 하기 위해서 설정해준다. 이러면 앞의 설정이 Container ID로 변경된다. ls를 입력하면 etc 폴더가 있는 것이 보일 것이다.cd etc/ + Tab을 2번 누르면 폴더의 목록을 볼 수 있다.cd etc/ + Tab 이 중에서 우리는 nginx/ 폴더를 볼 수 있고, 해당 폴더로 간다. 그리고 conf.d를 붙여 경로로 이동한다.cd etc/nginx/conf.d이제 ls를 보면 default.conf 파일이 하나 보이는..
가정 - 클라우드에서 EC2나 이런 인스턴스를 할당 받고, 유일한 공인 IP가 있다는 가정 하에 진행한다.(AWS의 경우 탄력적 IP 설정) 시작하기 전 팁 : 해당 클라우드에 쉽게 접속하려면 .sh 파일을 만들어서 접속하면 된다. ssh ~/.ssh/sikaro.pem ubuntu@공인 ip혹은ssh -i ~/.ssh/sikaro.pem root@공인 ip# ssh {pem키 경로/pem키 이름.pem} {사용자명@공인 ip} 이때 ~/경로는 윈도우의 경우 사용자 > user의 경로가 잡힌다.해당 경로에 pem 키를 넣어주면 된다. 그런 뒤에 sh 파일을 우클릭 > 터미널에서 열기 하면 실행이 된다.안된다면 git bash를 열고 .sh 파일을 드래그해서 올리면 명령어가 올라간다. 이제 본격적으로 들어..
안드로이드 스튜디오에서 Yolo 모델이나 다른 모델들을 사용할 때, GPU 설정에 대해서 애먹는 경우가 많다.버전에 대해서도 찾으려면 죄다 영어 항목이라 힘들 듯 하다. 그래서 한국어로 설명하고자 한다. 코드는 여기에서 볼 수 있다. 결론부터 말하자면, Gradle에서 다음과 같이 의존성 추가를 해주면 된다. Gradle Scripts / build.gradle.ktsdependencies { ...implementation("org.tensorflow:tensorflow-lite:2.14.0")implementation("org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.4")implementation("org.tensorflow:tensorflow-li..