beggi

오늘은 당근 마켓 클론 코딩 마지막 단계 body 부분을 다뤄볼 예정이다.  body에는 게시글 들의 리스트가 나열 되어 있고게시글 하나에는 왼쪽에는 업로드한 사진, 오른쪽에는 차례대로 제목, 장소, 가격 마지막으로 오른쪽 하단에 하트와 숫자가 보여진다. 바로 GPT를 사용해 본다 Q. body에 게시글 목록이 나왔으면 좋겠는데, 오른쪽에는 사진이 있고, 왼쪽에는 그 게시글의 제목이 표시되었으면 좋겠어  class MyApp extends StatelessWidget { const MyApp({super.key}); @override Widget build(BuildContext context) { return MaterialApp( home: Scaffold( appBa..

지난번에는 Scaffold를 이용하여 기본적인 틀을 만들었다.이제 그 틀을 기반으로 차근차근 수정해보자.우선, 가장 윗 부분을 담당하는 appBar 부터 수정해보자! appBar: AppBar( title: Text("This is App"), leading: Icon(Icons.star), actions: [ Icon(Icons.star) ],) 지난번 만들었던 레이아웃과 그 코드이다. 코드를 보면 leading은 가장 앞쪽 아이콘, title은 중간 글씨, actions는 가장 뒷쪽을 담당 한다고 유추할 수 있다. 이제 저 레이아웃을  이렇게 바꾸어야한다. 먼저 가장 오른쪽 actions 들의 아이콘 모양이 바꾸어 보자!우선 특정 아이콘이 어떤 이름을 가져야하는지 찾아야하고, 아이콘간의 ..

"클론 코딩", "UI 모작" 등으로 불리는 기존 앱의 레이아웃을 카피하는 공부법은 실무에서도 많이 추천하는 방식이니 GPT의 도움을 받아 바로 클론 코딩을 진행해 보도록 하겠습니다. 우선 목표는 아래 보이는 레이아웃처럼, appBar의 오른 쪽에는 DropDown 기능이 있는 버튼, 오른쪽에는 기능이 없는 다양한 아이콘 버튼들을 배치하고, body 부분에는 게시글의 대표사진, 제목, 지역, 가격, 좋아요 수등을 표기할 예정입니다.  우선 가장 큰 구조를 잡아주는 Scaffold 부터 배워보도록 하겠습니다.import 'package:flutter/material.dart';void main() { runApp(const MyApp());}class MyApp extends StatelessWidget..

안녕하세요 GPT가 코딩까지 해주는 세상에서, GPT를 통한 1인 앱개발을 꿈꾸고 있는 머신러닝 엔지니어 입니다. 서버, DB 보안 등 앞으로 갈길이 멀겠지만, 우선 클라이언트부터 차근차근 접근해보고자 합니다. 앞으로 배울 것들을 블로그에 꾸준히 정리해나갈 예정인데, 이걸보시는 분들도 많은 도움이 되시면 좋겠습니다! 중간중간 GPT를 통한 학습 과정을 담아놀 것인데, GPT활용에 서툰분들도 이 글을 참고하시면 좋을 거 같네요! 그럼 잘 부탁드립니다! 왜 Flutter로 앱 개발을 시작했는가 앱 개발을 시작하면서 고민했던 건 "무엇으로 만들까?"였다.   iOS용으로 Swift를 배울까, 아니면 Android만 먼저 해볼까?   그러다 선택한 건 바로 Flutter였다. Flutter를 선택한 이유는 크게..

## huggingface 파일 다운로드from huggingface_hub import hf_hub_downloadhf_hub_download(repo_id="repo/id/path", filename="filename", cache_dir=None)  ## huggingface sanpshot 전체 다운로드from huggingface_hub import snapshot_downloadsnapshot_download(repo_id="repo/id/path", cache_dir=None,local_dir="path/to/folder",local_dir_use_symlinks=False)  ## huggingface 권한을 위한 로그인from huggingface_hub import loginlogin(..

request 값 읽기 r = requests.get(url) print(r) print(r.content) print(r.text) print(r.encoding) image를 file로 posting posting image = open(image_path,"rb") payload = { "img": image } r = requests.post(url=url,files=payload) flask server 에서 처리 import cv2 import numpy as np from flask import request try : data = request.files['img'].read() except : data = request.form['img'].read() image = cv2.imdecod..

curl "https://awscli.amazonaws.com/awscli-exe-linux-x86_64.zip" -o "awscliv2.zip" unzip awscliv2.zip sudo ./aws/install rm -f awscliv2.zip rm -r aws

aws configure aws ecr get-login-password --region ap-northeast-2 | docker login --username AWS --password-stdin "$(aws sts get-caller-identity --query Account --output text).dkr.ecr.ap-northeast-2.amazonaws.com"

오늘은 Civit AI의 모델이나 dreambooth를 통해 학습된 모델을 AWS SageMaker Endpoint를 통해 배포하는 법에 대해 알아보겠습니다. 이글에서는 Amazon SageMaker Python SDK(공식문서)를 활용하여 배포하며, hugging face의 diffusers 패키지로 모델을 로드합니다. 1. 디렉토리 구성 일반적인 diffusers 모델 안에 code 폴더를 생성해 줍니다. Stable-Diffusion-Model ├── code ### code 디렉토리 추가 ├── feature_extractor ├── safety_checker ├── text_encoder ├── ... 2. inference.py, requirements.txt 작성 requirements.tx..

Stable Diffusion으로 IMG2IMG task를 하다보면 denoising strength가 적으면 원하는 스타일이 나오지 않고, 너무 높으면 입력이미지가 거의 남아있지 않게되는 딜레마가 있습니다. 이를 해결하기 위하여 denoising strength가 높아도 입력 이미지의 특징을 살릴 수 있도록 face landmark를 활용한 ControlNet을 적용시키는 방법에 대해 적어보겠습니다. - facelandmark-controlnet: https://huggingface.co/georgefen/Face-Landmark-ControlNet georgefen/Face-Landmark-ControlNet · Hugging Face Face landmark ControlNet ControlNet ..