고양이 스티커 부착하기¶

1. 필요 모듈 임포트¶

In [1]:

from IPython.core.display import display, HTML

display(HTML("<style>.container { width:90% !important; }</style>"))

In [2]:

import os
import cv2
import matplotlib.pyplot as plt
import numpy as np
import dlib

2. 이미지 경로 설정 및 이미지 전처리¶

이미지를 가져와 사용할 준비를 한다. opencv 특징 상 BGR 색상계 사용하므로 사진 색이 변경될 수 있다. 따라서 cv2.cvtColor() 메서드를 통해 다시 RGB 색상계를 이용한 이미지로 변경해준다.¶

In [3]:

#이미지 경로설정
my_image_path = os.getenv('HOME')+'/aiffel/camera_sticker/images/image_3.png'
img_bgr = cv2.imread(my_image_path)    # OpenCV로 이미지를 불러옵니다
img_bgr_orig = img_bgr.copy() # 투명도 작업용 변수


img_show = img_bgr.copy() #출력용 이미지는 따로 보관함.


print("<Before preprocessing>")
plt.imshow(img_bgr)
plt.show()

##이미지 색상 보정처리
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
img_bgr_rot = img_rgb.copy() # 회전 작업용 변수
img_dark = img_rgb.copy() # 어두운 사진 작업용 변수
img_far = img_rgb.copy() # 얼굴 작게 나온 사진 작업용 변수

print("<After preprocessing>")
plt.imshow(img_rgb)
plt.show()

<Before preprocessing>

<After preprocessing>

3. 얼굴 위치 검출기 생성¶

오브젝트 디텍션 기술을 이용해 얼굴의 위치를 찾는다.¶

이미지에서 각 위치마다의 색상 변화량을 HOG를 통해 파악하고 SVM 선형분류기를 이용해 벡터화 시킨다. 이후 sliding window 기법을 이용해 작은 영역을 조금씩 이동해겨며 얼굴을 파악해 정사각형을 그린다.¶

얼굴 탐지기는 dlib의 hog detector를 이용해 구현했다.¶

In [4]:

# HOG 얼굴 바운딩박스 탐지기 생성 및 할당
detector_hog = dlib.get_frontal_face_detector()

#얼굴 바운딩박스 추출 - 얼굴 검출기를 이미지에 적용
dlib_rects = detector_hog(img_rgb, 1)   # (image, num of image pyramid)

# 이미지 피라미드? - 이미지를 upsampling해서 크기를 키우는 것
# 작게 촬영된 얼굴을 크게 보게 만드는것 - 정확한 검출 가능


# 찾은 얼굴 영역 좌표 
for dlib_rect in dlib_rects: 
    l = dlib_rect.left()
    t = dlib_rect.top()
    r = dlib_rect.right()
    b = dlib_rect.bottom()

    cv2.rectangle(img_show, (l,t), (r,b), (0,255,0), 2, lineType=cv2.LINE_AA)

img_show_rgb =  cv2.cvtColor(img_show, cv2.COLOR_BGR2RGB)
print("<Face detection rsult>")
plt.imshow(img_show_rgb)
plt.show()

<Face detection rsult>

4. 얼굴 랜드마크 데이터 불러오기¶

Object keypoint estimation 알고리즘을 이용해 객체 내부의 점을 찾는다. 이번 프로젝트에서는 top-down형식으로, bounding box를 찾고 그 안에서 keypoint를 예측하는 형식으로 진행했다.¶

모델은 사전에 http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2 에서¶

다운받아 ~/aiffel/camera_sticker/models 내에¶

shape_predictor_68_face_landmarks.dat 의 이름으로 저장해 놓았다.¶

In [5]:

#얼굴 랜드마크 예측 모델 불러오기
#지정한 모델 불러오기
#landmark_predictor 는 RGB 이미지와 dlib.rectangle을 입력 받아 dlib.full_object_detection 를 반환
model_path = os.getenv('HOME')+'/aiffel/camera_sticker/models/shape_predictor_68_face_landmarks.dat'
landmark_predictor = dlib.shape_predictor(model_path)

5. Bounding Box에서 Face landmark 찾아내기¶

In [6]:

list_landmarks = []

# 얼굴 영역 박스 마다 face landmark를 찾아냅니다
for dlib_rect in dlib_rects:
    points = landmark_predictor(img_rgb, dlib_rect)
    # face landmark 좌표를 저장해둡니다
    list_points = list(map(lambda p: (p.x, p.y), points.parts()))
    list_landmarks.append(list_points)

print(len(list_landmarks[0]))
print(list_landmarks)

# 찾은 랜드마크 영상에 출력하기
for landmark in list_landmarks:
    for point in landmark:
        cv2.circle(img_show, point, 2, (0, 255, 255), -1)

img_show_rgb = cv2.cvtColor(img_show, cv2.COLOR_BGR2RGB)
plt.imshow(img_show_rgb)
plt.show()

68
[[(352, 467), (348, 516), (355, 567), (364, 619), (375, 671), (397, 718), (431, 756), (469, 788), (520, 799), (579, 790), (638, 766), (696, 735), (742, 694), (772, 644), (790, 585), (800, 524), (807, 461), (358, 396), (372, 363), (403, 346), (440, 345), (472, 360), (549, 354), (594, 334), (645, 331), (691, 348), (728, 381), (506, 420), (500, 455), (493, 489), (485, 524), (462, 570), (478, 576), (497, 580), (521, 575), (545, 569), (392, 444), (413, 428), (440, 426), (465, 442), (441, 447), (413, 450), (583, 434), (610, 417), (640, 417), (671, 430), (642, 438), (610, 438), (440, 653), (459, 632), (481, 618), (500, 625), (521, 617), (558, 631), (601, 649), (560, 669), (525, 679), (502, 681), (482, 679), (460, 671), (452, 652), (483, 646), (502, 648), (523, 646), (585, 649), (522, 646), (501, 649), (482, 646)]]

6. 코 위치 확인하기¶

해당 고양이 스티커는 코 부분에 위치할 것이므로 코의 좌표를 찾는다.¶

In [7]:

#코위치확인하기
for dlib_rect, landmark in zip(dlib_rects, list_landmarks):
    print (landmark[33]) # 데이터 셋 인덱스에서 코끝의 index는 33 입니다
    x = landmark[33][0]
    y = landmark[33][1] #- dlib_rect.height()//2
    w = h = dlib_rect.width()
    print ('(x,y) : (%d,%d)'%(x,y)) #바운딩 박스 내 코끝 랜드마크의 좌표
    print ('(w,h) : (%d,%d)'%(w,h)) #바운딩 박스 크기

(497, 580)
(x,y) : (497,580)
(w,h) : (463,463)

7. 스티커 적용하기¶

스티커 이미지를 읽어서 적용 해 보았다.¶

In [8]:

sticker_path = os.getenv('HOME')+'/aiffel/camera_sticker/images/cat-whiskers.png'
img_sticker = cv2.imread(sticker_path) # 스티커 이미지를 불러옵니다
img_sticker = cv2.resize(img_sticker, (w,h))
print (img_sticker.shape)

(463, 463, 3)

원본 이미지에 스티커 추가하기 위해 x,y 좌표 수정¶

In [9]:

refined_x = x // 2 #정 중앙에 위치
refined_y = y // 2  # 정 중앙에 위치
print ('(x,y) : (%d,%d)'%(refined_x, refined_y))

(x,y) : (248,290)

y축 좌표값에 발생하는 음수값 처리해주기¶

여기서 음수는 바운딩 박스 바깥으로 나간 좌표값을 의미¶

In [10]:

#음수값 만큼 crop해주기
if refined_x < 0: 
    img_sticker = img_sticker[:, -refined_x:]
    refined_x = 0
if refined_y < 0:
    img_sticker = img_sticker[-refined_y:, :]
    refined_y = 0

print ('(x,y) : (%d,%d)'%(refined_x, refined_y))

#이미지 정 중앙에 삽입하므로 -값 발생 x

(x,y) : (248,290)

8. 원본이미지에 스티커 적용¶

In [11]:

# 길어서 복잡해 보이지만 img_show[from:to] 형식
sticker_area = img_show[refined_y:refined_y+img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]]
img_show[refined_y:refined_y+img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]] = \
np.where(img_sticker==0,img_sticker, sticker_area).astype(np.uint8)
# 원본이미지img_show의 [] 내부에 해당하는 부분은 새로운 값을 재위치키라는 뜻

9. 스티커 결과이미지 출력(img_show로 출력)¶

In [12]:

plt.imshow(cv2.cvtColor(img_show, cv2.COLOR_BGR2RGB))

plt.show() #스티커 위치가 제대로 들어갔는지 확인

결과 이미지 출력(img_rgb로 출력)¶

In [13]:

#바운딩 박스 및 랜드마크 제거
sticker_area = img_bgr[refined_y:refined_y +img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]]
img_bgr[refined_y:refined_y +img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]] = \
np.where(img_sticker==0,img_sticker, sticker_area).astype(np.uint8)
plt.imshow(cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB))
plt.show()

코드 수정요소¶

스티커 위치 변경¶

스티커를 코 끝에 위치시키기 위하여 랜드마크 점을 옮겼다.¶

x = landmark[33][0], y = landmark[33][1]을 landmark[33][0], landmark[33][1]으로 바꿔주었다¶

처음엔 임의로 스티커를 바운딩 박스 중앙에 위치시키기 위해 refined_y = (y // h) + 310 로 임의 설정해 맞췄다.¶

그러다가, 정 중앙이니 x,y값을 모두 반으로 나눈 값으로 하면 되지 않을까 생각이 들었고,¶

refined_x = x // 2¶

refined_y = y // 2¶

로 x,y를 재정의 해서 돌려보니 정 중앙에 스티커를 위치시킬 수 있었다.¶

png 배경 없애기¶

코드 np.where(img_sticker==0,img_sticker, sticker_area).astype(np.uint8)의 의미를 몰라 찾아보았다.¶

위 코드의 numpy.where 메소드는 img_sticker == 0(검정) 일 땐 img_sticker의 값을 취하고, 그렇지 않으면 sticker_area의 값을 취한다는 뜻이다.¶

혹은 img_sitcker ==0은 두고 img_sticker랑 img_area 파라미터 순서를 바꿔줘도 된다. 이렇게 하면 이미지_sticker값을 취해 검은 부분만 가져온다.¶

예외처리¶

1. 반투명한 스티커 만들기¶

cv2.addWeighted() 메서드 사용하기¶

cv2.addWeighted(src1, alpha, src2, beta, gamma, dst=None, dtype=None) -> dst

• src1: (입력) 첫 번째 사진¶

• alpha: 첫 번째 사진 가중치¶

• src2: 두 번째 사진. src1과 같은 크기 & 같은 타입¶

• beta: 두 번째 사진 가중치¶

• gamma: 결과 사진에 추가적으로 더할 값¶

• dst: 가중치 합 결과 영상¶

• dtype: 출력 사진(dst)의 타입¶

In [14]:

sticker_area = img_bgr_orig[refined_y:refined_y+img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]]
img_bgr[refined_y:refined_y+img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]] = \
    cv2.addWeighted(sticker_area, 0.5, np.where(img_sticker==255,sticker_area,img_sticker).astype(np.uint8), 0.5, 0)

plt.imshow(cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB))
plt.show()

반투명 스티커 만들기 회고¶

결괏값이 제대로 안 나와서 한참 헤맸던 것 같다. 이유는 모든 알고리즘을 다 구현했음에도 불구하고 계속 불투명한 스티커가 산출이 되서, 무엇이 문제인지 한참을 고민했다. 아무래도 코드가 위에서부터 진행되면서, 기존에 사용되던 변수에 할당된 값이 계속 상속되는 것 같다는 생각이 들었다. 이에 사진 경로도 새로 하나 더 만들어보고, 이미지 할당된 변수와 sticker_area 변수도 다 바꿔봤는데 계속 기존 값이 잔존했다.¶

어떻게 하면 이미지를 초기화를 시키지, 고민하다 생성자를 써야하나까지 생각했는데, 생각을 다시 해보니 이미 있는 데이터 위에 덮어 쓸 생각을 하지 말고, 애초에 처음 이미지를 받아올 때 .copy()변수로 변수 하나에 값을 더 할당해 놓으면 되는 거라는걸 깨달았다. 따라서 맨 위 모듈 임포트 부분 아래 이미지 경로를 받고, 변수를 하나 더 추가하여 이미지 데이터를 할당하고, 만들어 놓은 코드를 실행하니 정상적으로 작동했다. 위에서부터 순차적으로 진행되는 인터프리터언어의 특성 상, 알고리즘 진행 과정 중 그 위에 값을 덮어씌울 생각보단 애당초 시작할 때 여러 변수에 값을 할당해 놓는게 더 편하다는 것을 알게 되었다.¶

2. 회전된 이미지에 스티커 삽입해보기¶

이미지를 임의로 회전시켜 얼굴 랜드마크가 잘 삽입되는지 보자¶

이미지 회전에는 cv2.getRotationMatrix2D 메서드 사용¶

In [15]:

#새 이미지 기져오기 - 이미 RGB 변환 되어있는 이미지 
plt.imshow(img_bgr_rot)
plt.show

#이미지 회전시키기
width, height = img_bgr_rot.shape[:2] #(1080, 1080)
cp = (img_bgr_rot.shape[1] / 2, img_bgr_rot.shape[0] / 2) #회전 중심축 좌표 설정
print(cp)

img_rot = cv2.getRotationMatrix2D(cp, 90, 1) 
img_rot_dst = cv2.warpAffine(img_bgr_rot,img_rot,(width,height))


# plt.imshow(img_rot_dst)
# plt.show


#회전 이미지의 bounding box 확인
for dlib_rect in dlib_rects: 
    l = dlib_rect.left()
    t = dlib_rect.top()
    r = dlib_rect.right()
    b = dlib_rect.bottom()

    cv2.rectangle(img_rot_dst, (l,t), (r,b), (0,255,0), 2, lineType=cv2.LINE_AA)

print("<Face detection bounding box>")
plt.imshow(img_rot_dst)
plt.show()

#회전 이미지의 랜드마크 확인

list_landmarks_rot = []

# 얼굴 영역 박스 마다 face landmark를 찾아냅니다
for dlib_rect in dlib_rects:
    points = landmark_predictor(img_rgb, dlib_rect)
    # face landmark 좌표를 저장해둡니다
    list_points = list(map(lambda p: (p.x, p.y), points.parts()))
    list_landmarks_rot.append(list_points)

# print(len(list_landmarks_rot[0]))
# print(list_landmarks_rot)

# 찾은 랜드마크 영상에 출력하기
for landmark in list_landmarks_rot:
    for point in landmark:
        cv2.circle(img_rot_dst, point, 2, (0, 255, 255), -1)
print("<Landmark result : Fail>")
plt.imshow(img_rot_dst)
plt.show()


#회전된 이미지에 스티커 삽입

sticker_area = img_rot_dst[refined_y:refined_y+img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]]
img_rot_dst[refined_y:refined_y+img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]] = \
np.where(img_sticker==0,img_sticker, sticker_area).astype(np.uint8)
(print("<Attatch sticker : Fail>"))
plt.imshow(img_rot_dst)
plt.show()

(540.0, 540.0)
<Face detection bounding box>

<Landmark result : Fail>

<Attatch sticker : Fail>

회전 이미지 조작 회고¶

이미지를 회전시키기 위해 새로운 메서드를 가져다가 썼다. 투명도 조작보다 보다 직관적이라 이해하기 편했다. 회전을 시키고 랜드마크를 찍어보니 제대로 반영이 되지 않았다. 따라서 랜드마크 점 기준으로 부착되는 스티커도 자연히 모양이 틀어졌다. 이번 실습에 사용된 shape_predictor_68_face_landmarks 데이터셋이 회전 없는 정면방향의 사진이 아닌 다른 방향의 사진들에는 적합도가 떨어진다는 것을 알게 되었다.¶

보다 원활하게 적용되려면, 사진의 상하좌우 관계를 파악하여 랜드마크도 회전되어 적용되면 정확도가 훨씬 높아질 것 같다. 더 많은 개량이 필요한 모델이라고 생각이 들었다. shape_predictor_68_face_landmarks 모델과 더불어, 사진의 방향을 파악하는 알고리즘, 또는 사진을 정면방향 사진으로 전처리해주는 알고리즘 등을 병행해 사용하면 좋을 것 같다.¶

3. 어두운 사진에 스티커 붙이기¶

사진의 밝기를 임의로 낮춘 후 스티커 붙이기 작업을 실시해 보자.¶

밝기 정도를 다 다르게 하여 여러 장의 이미지를 만들고, 각각의 사진에 적용해 보았다.¶

밝기 변화주기는 sub 함수를 사용했다.¶

In [21]:

#어두운 사진불러오기
img_drk_1 = np.ones(img_dark.shape, dtype = "uint8") * 25
img_drk_2 = np.ones(img_dark.shape, dtype = "uint8") * 75
img_drk_3 = np.ones(img_dark.shape, dtype = "uint8") * 100
img_drk_4 = np.ones(img_dark.shape, dtype = "uint8") * 200

sub_1 = cv2.subtract(img_dark,img_drk_1)
sub_2 = cv2.subtract(img_dark,img_drk_2)
sub_3 = cv2.subtract(img_dark,img_drk_3)
sub_4 = cv2.subtract(img_dark,img_drk_4)

sub = [sub_1,sub_2,sub_3,sub_4]
sub_output = [sub_1,sub_2,sub_3,sub_4]

# plt.imshow(sub_1)
# plt.show()

for i in range(1,5):
    sub_image = sub[i-1]
    plt.subplot(2,2,i)
    plt.axis("off")
    plt.title(f"<Level {i}>")
    plt.imshow(sub_image)
    
# plt.subplot(1,4,1) #sublplot 모양 1x4 형태로 나열
# plt.axis('off') # 축없애기
# plt.imshow(sub_1) #이미지 산출

In [17]:

#회전 이미지의 bounding box 확인
for i in range(4):
    for dlib_rect in dlib_rects: 
        l = dlib_rect.left()
        t = dlib_rect.top()
        r = dlib_rect.right()
        b = dlib_rect.bottom()

        cv2.rectangle(sub[i], (l,t), (r,b), (0,255,0), 2, lineType=cv2.LINE_AA)

    print("<Face detection bounding box>")
    plt.subplot(2,2,i+1)
    plt.axis("off")
    plt.title(f"<Level {i+1}>")
    plt.imshow(sub[i])

<Face detection bounding box>
<Face detection bounding box>
<Face detection bounding box>
<Face detection bounding box>

생각보다 이미지 명암에는 상관 없이 얼굴의 위치는 잘 인식했다. 인식이 잘 되는 이유를 생각 해 보자면, 어둡게 만들기 위해서 sub 메서드를 사용하여 모든 픽셀값에서 동일한 값을 빼주었는데, 이는 픽셀간 변화량에는 영향을 미치지 않기 때문에 HOG 방식이 여전히 잘 작동하는 것으로 사려된다.¶

랜드마크 확인¶

In [18]:

#회전 이미지의 랜드마크 확인
for i in range(4):
    list_landmarks_rot = []

    # 얼굴 영역 박스 마다 face landmark를 찾아냅니다
    for dlib_rect in dlib_rects:
        points = landmark_predictor(sub[i], dlib_rect)
        # face landmark 좌표를 저장해둡니다
        list_points = list(map(lambda p: (p.x, p.y), points.parts()))
        list_landmarks_rot.append(list_points)

    # 찾은 랜드마크 영상에 출력하기
    for landmark in list_landmarks_rot:
        for point in landmark:
            cv2.circle(sub[i], point, 2, (0, 255, 255), -1)
        print(f"<Landmark result Level {i+1}>")
        plt.axis("off")
        plt.imshow(sub[i])
        plt.show()

<Landmark result Level 1>

<Landmark result Level 2>

<Landmark result Level 3>

<Landmark result Level 4>

잘 보이지 않아서 크게 이미지를 뽑아봤다. 역시나 랜드마크 또한 인식이 잘 된다.¶

이미지에 스티커 부착하기¶

In [20]:

# 길어서 복잡해 보이지만 img_show[from:to] 형식
for i in range(4):
    sticker_area = sub[i][refined_y:refined_y+img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]]
    sub[i][refined_y:refined_y+img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]] = \
    np.where(img_sticker==0,img_sticker, sticker_area).astype(np.uint8)
    # 원본이미지img_show의 [] 내부에 해당하는 부분은 새로운 값을 재위치키라는 뜻
    print(f"<Sticker result Level {i+1}>")
    plt.axis("off")
    plt.imshow(sub[i])
    plt.show()

<Sticker result Level 1>

<Sticker result Level 2>

<Sticker result Level 3>

<Sticker result Level 4>

In [28]:

#Output
print("Final Output")
for i in range(4):
    sticker_area = sub_output[i][refined_y:refined_y+img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]]
    sub_output[i][refined_y:refined_y+img_sticker.shape[0], refined_x:refined_x+img_sticker.shape[1]] = \
    np.where(img_sticker==0,img_sticker, sticker_area).astype(np.uint8)
    # 원본이미지img_show의 [] 내부에 해당하는 부분은 새로운 값을 재위치키라는 뜻
    
    plt.subplot(2,2,i+1)
    plt.title(f"<Sticker result Level {i+1}>")
    plt.axis("off")
    plt.imshow(sub_output[i])
    

Final Output

느낀 점¶

어둡게 찍은 사진이 아니라 임의로 어둡게 만들어서 결과를 산출했기때문에 이러한 결과가 나왔을 수도 있다고 생각이 든다. 실제로 어둡게 찍힌 이미지에서도 픽셀 변화량 관측이 잘 될지가 의문이 들었다.¶

subplot을 이용하여 여러가지 이미지에 동시에 적용해 봤는데, 훨씬 가시적이고 결괏값을 파악하기 용이하다는 것을 깨달았다.¶

4. 얼굴 작은 사진에 스티커 붙이기¶

In [40]:

#이미지 경로설정 + 색상조정
my_image_path_tiny = os.getenv('HOME')+'/aiffel/camera_sticker/images/image_4.png'
img_tin = cv2.imread(my_image_path_tiny)# OpenCV로 이미지를 불러옵니다
img_tiny = cv2.cvtColor(img_tin, cv2.COLOR_BGR2RGB)
# plt.imshow(img_tiny)

# 얼굴찾기
for dlib_rect in dlib_rects: 
    l = dlib_rect.left()
    t = dlib_rect.top()
    r = dlib_rect.right()
    b = dlib_rect.bottom()

    cv2.rectangle(img_tiny, (l,t), (r,b), (0,255,0), 2, lineType=cv2.LINE_AA)

# img_tiny =  cv2.cvtColor(img_show, cv2.COLOR_BGR2RGB)
print("<Face detection rsult : Fail>")
plt.axis("off")
plt.imshow(img_tiny)
plt.show()

<Face detection rsult : Fail>

느낀점¶

결과 = 실패 : 얼굴이 작게 나온 사진을 집어 넣어 시도해 봤는데 얼굴을 제대로 인식하지 못했다. 바운딩박스가 조명 근처에 생성된 것으로 보아, 본 사진은 조명 아래에서가 얼굴보다 변화량이 더 크기 때문이라고 판단이 들었다. 얼굴과 얼굴 주변의 픽셀값 변화량보다 다른 부분의 변화량이 더 크면 얼굴을 정상적으로 인식할 수 없다는 것을 알게 되었다. 이것이 HOG의 한계라고 생각한다.¶

시판되는 스노우나 스냅챗의 영상필터 같은 경우에도 카메라에서 멀리 있는 경우엔 잘 인식이 되지 않는데, 그 또한 이번 경우와 비슷한 경우라고 생각이 들었다.¶

개선을 위해선 픽셀 변화량에 따라 랜드마크를 집는것에만 국한될 것이 아니라, 추가적인 인식 접근방식이 필요한 것으로 보인다.¶

저작자표시

'Computer Technology 기록부 > 코딩기록부 : Python' 카테고리의 다른 글

LSTM 모델을 이용한 인공지능 작사가 구축 (2)	2022.07.05
MNIST Dataset 이용한 CNN 모델 구축 (0)	2022.07.05
카메라 스티커 만들기 (0)	2022.01.11
n면 주사위 클래스 함수 만들기 (0)	2022.01.11
객체지향프로그래밍(OPP)이란? (0)	2022.01.10

[최종] 카메라 스티커 만들기 - 예외처리 포함