Projects

• 01. 로그인 페이지 - 사용자 인증 및 접근 제어
• 02. 강의 및 등록 - 강의 생성 및 수강 신청 관리
• 03. 사진 경로 설정 - 강의 자료 업로드 및 관리
• 04. 사진 등록 - 멀티미디어 콘텐츠 등록
• 05. 사진 조회 및 등록 - 등록된 자료 확인
• 06. 사진 경로 생성 확인 - 파일 시스템 검증
• 07. 사진 경로 내에 저장 확인 - 업로드 성공 확인

• User 테이블 - 사용자 정보 (VARCHAR(255), 이메일, 비밀번호)
• Course 테이블 - 강의 정보 및 메타데이터
• Enrollment 테이블 - 수강 신청 관리
• Assignment 테이블 - 과제 제출 및 채점 데이터
• Lecture 테이블 - 강의 콘텐츠 및 일정
• Photo_Settings 테이블 - 이미지 저장 경로 관리

• 사진 및 자료 업로드 기능
• 자동 경로 생성 및 관리
• 파일 저장 위치 검증
• 멀티미디어 콘텐츠 조회
• 용량 최적화 및 압축

• 강의 콘텐츠 관리 및 배포 시스템
• 실시간 출석 체크 및 진도 관리
• 과제 제출 및 자동 평가 기능
• 학습자별 성적 분석 및 리포트
• 반응형 웹 디자인으로 모바일 최적화
• 사용자 권한 관리 (학생/교수/관리자)
• 콘솔 로그를 통한 시스템 모니터링

K-Digital Training - 주차장 영상 분석 AI 프로젝트

Start → Environment Setup (개발 환경 준비 단계) → Miniconda 설치 → VS Code 설치 → conda activate walk (환경활성화) → Python 버전 확인 → YOLOv8 설치 → MySQL 설치 → FastAPI + Uvicorn 설치 → End

영상 분석 버튼을 클릭하여 주차장 영상 업로드 및 실시간 분석

실시간 주차장 영상 분석 ( 영상 업로드 → 차량 감지 → 슬롯 상태 현황 / 점유 (빨간색) 및 빈자리표시(초록색) )

지나가거나 주차한 각 차량마다 보라색 바운딩 박스 씌워 객체 위치와 크기 지정

왼쪽: Annotations (주석) - Classes (클래스) car1 표시, Unused Classes, Tags - No Tags Applied, Find Objects with AI

중앙: 주차장 CCTV 영상에 각 차량마다 보라색 바운딩 박스로 라벨링

우측 하단: 학습한 클래스(차량) 표시

1. 첫 학습에 쓴 설정값 (총 120장 사용)

model = YOLO('yolov8s.pt')

results = model.train(
    data="/content/dataset/data.yaml",
    imgsz=640,
    epochs=150,
    batch=16,        # GPU VRAM 보고 저증 조절
    patience=25,     # Early Stop 여유줄게
    lr0=0.01,        # 초기 학습률
    optimizer="AdamW", # 담부 데이터에 성능 안정적
    mosaic=1.0,      # 데이터 증강 강화 (달무엥 유리)
    augment=True
)

2. 추가학습에 쓴 설정값

from ultralytics import YOLO

model = YOLO('/content/drive/MyDrive/Yolo_train/best.pt')  # 기존 학습 모델 경로

model.train(
    data='/content/drive/MyDrive/Yolo_train/data.yaml',  # 새 + 기존 dataset 경로
    epochs=50,                  # 필요한 마다 변경 기능
    imgsz=640,                  # 
    batch=4,                    # GPU 어유 있으면 32까지 가능
    lr0=0.0005,                 # 외낟 학습보다 낮게 (Fine-Tuning 기본 전략)
    optimizer="Adam",
    patience=15,
    amp=True,
    device=0,
    cache=False,
    pretrained=True             # 기존 weight 사용
)

샘플 데이터 추가하여 총 400개 사용

🔧 YOLO 모델 로드

from ultralytics import YOLO
import cv2
import os
from tkinter import Tk
from tkinter.filedialog import askopenfilename

# 🖥 창생 선택
Tk().withdraw()
video_path = askopenfilename(
    title="영상 파일 선택",
    filetypes=[("Video files", "*.mp4;*.avi;*.mov;*.mkv"), ("All files", "*.*")]
)

if not video_path:
    print("❌ 파일을 선택해야 합니다.")
    exit()

print(f"✅ 선택된 파일: {video_path}")

# 📝 yolo 모델 로드
model_path = "model/best.pt"
if not os.path.exists(model_path):
    raise FileNotFoundError(f"⚠️ 모델 파일이 없습니다: {model_path}")

print(f"📦 모델 로드 중: {model_path}")
model = YOLO(model_path)

tracker_path = r"C:\Users\gage03\miniconda3\envs\walk\Lib\site-packages\ultralytics\cfg\trackers\bytetrack.yaml"

📹 Tracking 모드 적용 (감독닉 예측)

results = model.track(
    source=video_path,
    conf=0.15,           # 신뢰도 기준 설정
    iou=0.50,            # 박스 겹침 기준
    imgsz=1280,          # 고해상도 분석
    project="runs/detect",
    name="predict",
    exist_ok=True,
    stream=True,
    tracker=tracker_path,    # 인접적 추적
    persist=True        # ID 유지-> 감쪽인 최적화
)

# 🎨 효과값: 차응 박스 제거 + ID 라벨 표시
output_video_path = f"videos/optimized_{os.path.basename(video_path)}"

cap = cv2.VideoCapture(video_path)
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter(output_video_path, fourcc, fps, (width, height))

# 작은 박스 기준 강화 (영상 크기 0.66% 이상)
min_size = max(width, height) // 200

# ⑤ Windows 사용 실행
if os.name == "nt":
    os.startfile(output_video_path)

개인 포트폴리오 웹사이트를 AWS 클라우드 인프라에 배포하여 안정적이고 확장 가능한 서비스를 제공합니다. HTTPS 보안 통신과 도메인 연결을 통해 전문적인 웹 서비스를 구축했습니다.

• 도메인: www.codesk01.shop
• 서버: AWS EC2 (Ubuntu 22.04)
• 보안: Let's Encrypt SSL/TLS 인증서
• 웹서버: Nginx Reverse Proxy

• Frontend: React.js - 포트폴리오 메인 페이지
• Backend: Node.js + Express - 프로젝트 소개 페이지 (포트 3000)
• LMS System: Spring Boot 3.5.6 + Java 17 (포트 8080)
• Database: H2 Database (임베디드)
• Process Manager: PM2 - Node.js 애플리케이션 관리
• Reverse Proxy: Nginx - 도메인 라우팅 및 HTTPS 처리

• SSL/TLS: Let's Encrypt 무료 인증서 (자동 갱신)
• HTTPS: 모든 트래픽 암호화 통신
• 도메인 라우팅:
  • www.codesk01.shop → React 포트폴리오
  • www.codesk01.shop/projects → Node.js 프로젝트 갤러리
  • lms.codesk01.shop → Spring Boot LMS 시스템
• 방화벽: AWS Security Group 설정

1. EC2 인스턴스 설정 - Ubuntu 서버 구성
2. 도메인 연결 - Route 53 또는 외부 DNS 설정
3. Nginx 설치 및 설정 - Reverse proxy 구성
4. Let's Encrypt 인증서 - Certbot으로 SSL 적용
5. 애플리케이션 배포 - PM2로 Node.js 앱 관리
6. Spring Boot 배포 - systemd 서비스 등록
7. 모니터링 설정 - 로그 관리 및 성능 모니터링

• 반응형 디자인으로 모바일/태블릿/PC 모두 지원
• 프로젝트 포트폴리오 갤러리 (6개 프로젝트)
• LMS 학습 관리 시스템 (25개 강의)
• 모달 팝업으로 프로젝트 상세 정보 제공
• PM2를 통한 무중단 배포 가능
• 자동 SSL 인증서 갱신

프리미엄 패션 및 뷰티 제품을 판매하는 풀스택 E-commerce 플랫폼입니다. 결제 시스템 통합, 재고 관리, 장바구니 기능을 포함한 완전한 온라인 쇼핑 경험을 제공합니다.

• 포트: 4000 (HTTPS)
• 카테고리: 여성/남성/뷰티/액세서리/신발
• 상품 수: 21개 이상
• 브랜드: LUXE, FRUDIA, WET BRUSH 등

• Frontend: EJS Template Engine - 동적 상품 페이지
• Backend: Node.js + Express (포트 4000)
• 보안: HTTPS (SSL/TLS 인증서)
• Static Files: Express Static Middleware
• Body Parser: JSON 및 URL-encoded 데이터 처리
• Image Hosting: Unsplash API 통합

• 상품 카탈로그: 21개 이상의 프리미엄 제품
• 카테고리 분류: 여성복, 남성복, 뷰티, 액세서리, 신발
• 장바구니 시스템: 실시간 장바구니 관리
• 재고 관리: 실시간 재고 확인 및 업데이트
• 상품 상세 정보: 가격, 사이즈, 브랜드, 설명
• 반응형 디자인: 모바일/태블릿/PC 완벽 지원

• HTTPS 보안 통신으로 안전한 쇼핑 환경 제공
• EJS 템플릿 엔진으로 동적 페이지 렌더링
• Express 라우팅으로 RESTful API 구현
• Body Parser로 JSON 및 폼 데이터 처리
• Static 파일 서빙으로 이미지 최적화
• 실시간 재고 관리 시스템