미디어 및 객체 로깅

Colab에서 실행해 보기 이미지, 비디오, 오디오 등 다양한 미디어 형식을 지원합니다. 풍부한 미디어를 로그로 기록해 결과를 탐색하고 run, 모델, 데이터셋을 시각적으로 비교할 수 있습니다. 예제와 사용 방법은 아래 내용을 참고하세요.

자세한 내용은 데이터 타입 레퍼런스를 참조하세요.

더 자세한 내용은 모델 예측 시각화 데모 리포트를 확인하거나 비디오 가이드를 시청하세요.

사전 준비 사항

W&B SDK로 미디어 객체를 로깅하려면 추가 종속 패키지를 설치해야 할 수 있습니다. 다음 명령을 실행하면 이러한 종속 패키지를 설치할 수 있습니다:

pip install wandb[media]

이미지

입력, 출력, 필터 가중치, 활성화 값 등 다양한 항목을 추적하기 위해 이미지를 로깅합니다.

이미지는 NumPy 배열에서 직접 로깅하거나, PIL 이미지로 로깅하거나, 파일 시스템에 있는 파일에서 로깅할 수 있습니다. 각 단계에서 이미지를 로깅할 때마다 UI에 표시할 수 있도록 저장됩니다. 이미지 패널을 펼쳐 단계 슬라이더를 사용해 서로 다른 단계의 이미지를 확인하세요. 이를 통해 트레이닝 동안 모델 출력이 어떻게 변하는지 쉽게 비교할 수 있습니다.

트레이닝 중 로깅이 병목이 되거나 결과를 볼 때 이미지 로딩이 병목이 되는 것을 방지하려면, 한 단계당 50개 미만의 이미지를 로깅할 것을 권장합니다.

배열을 이미지로 로깅하기
PIL 이미지 로깅하기
파일에서 이미지 로깅하기

torchvision의 make_grid를 사용하는 것처럼, 이미지를 수동으로 구성할 때 배열을 직접 제공할 수 있습니다.배열은 Pillow를 사용해 png로 변환됩니다.

import wandb

with wandb.init(project="image-log-example") as run:

    images = wandb.Image(image_array, caption="위: 출력, 아래: 입력")

    run.log({"examples": images})

마지막 차원이 1이면 그레이스케일, 3이면 RGB, 4이면 RGBA 이미지라고 가정합니다. 배열에 실수가 포함된 경우 0에서 255 사이의 정수로 변환합니다. 이미지 정규화를 다르게 하고 싶다면 mode를 수동으로 지정하거나, 이 패널의 “Logging PIL Images” 탭에서 설명한 것처럼 PIL.Image를 직접 제공하면 됩니다.

배열을 이미지로 변환하는 과정을 완전히 제어하려면, PIL.Image를 직접 생성한 뒤 그대로 제공하면 됩니다.

from PIL import Image

with wandb.init(project="") as run:
    # NumPy 배열에서 PIL 이미지를 생성합니다
    image = Image.fromarray(image_array)

    # 필요하다면 RGB로 변환합니다
    if image.mode != "RGB":
        image = image.convert("RGB")

    # 이미지를 로깅합니다
    run.log({"example": wandb.Image(image, caption="My Image")})

더 세밀한 제어가 필요하다면, 원하는 방식으로 이미지를 생성하여 디스크에 저장한 후 파일 경로를 제공하세요.

import wandb
from PIL import Image

with wandb.init(project="") as run:

    im = Image.fromarray(...)
    rgb_im = im.convert("RGB")
    rgb_im.save("myimage.jpg")

    run.log({"example": wandb.Image("myimage.jpg")})

이미지 오버레이

세그멘테이션 마스크
바운딩 박스

시맨틱 세그멘테이션 마스크를 로깅하고 W&B UI를 통해 이들과 상호작용할 수 있습니다(불투명도 변경, 시간에 따른 변화 확인 등).

오버레이를 로깅하려면, 아래 키와 값을 포함하는 사전을 wandb.Image의 masks 키워드 인자로 전달하세요.

이미지 마스크를 나타내는 두 키 중 하나:
- "mask_data": 각 픽셀에 대한 정수 클래스 레이블을 포함하는 2D NumPy 배열
- "path": (문자열) 저장된 이미지 마스크 파일의 경로
"class_labels": (선택 사항) 이미지 마스크의 정수 클래스 레이블을 사람이 읽을 수 있는 클래스 이름에 매핑하는 사전

여러 개의 마스크를 로깅하려면, 아래 코드 스니펫과 같이 여러 키를 가진 마스크 사전을 로깅하세요.실행 중인 예제 보기샘플 코드

mask_data = np.array([[1, 2, 2, ..., 2, 2, 1], ...])

class_labels = {1: "tree", 2: "car", 3: "road"}

mask_img = wandb.Image(
    image,
    masks={
        "predictions": {"mask_data": mask_data, "class_labels": class_labels},
        "ground_truth": {
            # ...
        },
        # ...
    },
)

각 키에 대한 세그멘테이션 마스크는 각 스텝(각 run.log() 호출)에서 정의됩니다.

여러 스텝에서 동일한 마스크 키에 서로 다른 값을 제공하면, 해당 키에 대해 가장 최근 값만 이미지에 적용됩니다.
여러 스텝에서 서로 다른 마스크 키를 제공하면, 각 키의 모든 값이 표시되지만 현재 보고 있는 스텝에서 정의된 값만 이미지에 적용됩니다. 현재 스텝에서 정의되지 않은 마스크의 가시성을 전환해도 이미지는 변경되지 않습니다.

이미지와 함께 바운딩 박스를 로그로 남기고, UI에서 필터와 토글을 사용해 서로 다른 박스 집합을 동적으로 시각화할 수 있습니다.

라이브 예제 보기바운딩 박스를 로깅하려면 wandb.Image의 boxes 키워드 인자에 아래와 같은 키와 값이 포함된 사전을 전달해야 합니다:

box_data: 각 박스마다 하나씩 포함하는, 사전들의 리스트입니다. 박스 사전 형식은 아래에 설명되어 있습니다.
- position: 박스의 위치와 크기를 나타내는 사전으로, 아래에서 설명하는 두 가지 형식 중 하나를 사용합니다. 모든 박스가 동일한 형식을 사용할 필요는 없습니다.
  - 옵션 1: {"minX", "maxX", "minY", "maxY"}. 각 차원에 대해 박스의 상한과 하한을 정의하는 좌표 집합을 제공합니다.
  - 옵션 2: {"middle", "width", "height"}. middle 좌표를 [x,y] 형식으로, width와 height를 스칼라 값으로 지정하는 좌표 집합을 제공합니다.
- class_id: 박스의 클래스 ID를 나타내는 정수입니다. 아래 class_labels 키를 참조하세요.
- scores: 점수용 문자열 레이블과 숫자 값으로 이루어진 사전입니다. UI에서 박스를 필터링하는 데 사용할 수 있습니다.
- domain: 박스 좌표의 단위/형식을 지정합니다. 박스 좌표가 이미지 차원 범위 내의 정수 등 픽셀 공간으로 표현되는 경우 이 값을 “pixel”로 설정하세요. 기본값은 0과 1 사이의 부동소수점 숫자로 표현되는, 이미지에 대한 분수/백분율입니다.
- box_caption: (선택 사항) 이 박스에 레이블 텍스트로 표시할 문자열입니다.
class_labels: (선택 사항) class_id를 문자열에 매핑하는 사전입니다. 기본적으로 class_0, class_1 등의 클래스 레이블을 생성합니다.

다음 예제를 확인하세요:

import wandb

class_id_to_label = {
    1: "car",
    2: "road",
    3: "building",
    # ...
}

img = wandb.Image(
    image,
    boxes={
        "predictions": {
            "box_data": [
                {
                    # 기본 상대적/분수 도메인으로 표현된 박스 하나
                    "position": {"minX": 0.1, "maxX": 0.2, "minY": 0.3, "maxY": 0.4},
                    "class_id": 2,
                    "box_caption": class_id_to_label[2],
                    "scores": {"acc": 0.1, "loss": 1.2},
                    # 픽셀 도메인으로 표현된 또 다른 박스
                    # (예시 목적으로만 사용되며, 실제로는 모든 박스가
                    # 동일한 도메인/형식을 사용할 가능성이 높습니다)
                    "position": {"middle": [150, 20], "width": 68, "height": 112},
                    "domain": "pixel",
                    "class_id": 3,
                    "box_caption": "a building",
                    "scores": {"acc": 0.5, "loss": 0.7},
                    # ...
                    # 필요한 만큼 박스를 로깅합니다
                }
            ],
            "class_labels": class_id_to_label,
        },
        # 의미 있는 박스 그룹마다 고유한 키 이름으로 로깅합니다
        "ground_truth": {
            # ...
        },
    },
)

with wandb.init(project="my_project") as run:
    run.log({"driving_scene": img})

Tables에서 이미지 오버레이

세그멘테이션 마스크
바운딩 박스

Tables에 세그멘테이션 마스크를 로깅하려면 테이블의 각 행마다 wandb.Image 객체를 제공해야 합니다.예시는 아래 코드 스니펫을 참고하세요:

table = wandb.Table(columns=["ID", "Image"])

for id, img, label in zip(ids, images, labels):
    mask_img = wandb.Image(
        img,
        masks={
            "prediction": {"mask_data": label, "class_labels": class_labels}
            # ...
        },
    )

    table.add_data(id, mask_img)

with wandb.init(project="my_project") as run:
    run.log({"Table": table})

Tables에 바운딩 박스가 있는 이미지를 로깅하려면 테이블의 각 행마다 wandb.Image 객체를 제공해야 합니다.예시는 아래 코드 스니펫을 참고하세요:

table = wandb.Table(columns=["ID", "Image"])

for id, img, boxes in zip(ids, images, boxes_set):
    box_img = wandb.Image(
        img,
        boxes={
            "prediction": {
                "box_data": [
                    {
                        "position": {
                            "minX": box["minX"],
                            "minY": box["minY"],
                            "maxX": box["maxX"],
                            "maxY": box["maxY"],
                        },
                        "class_id": box["class_id"],
                        "box_caption": box["caption"],
                        "domain": "pixel",
                    }
                    for box in boxes
                ],
                "class_labels": class_labels,
            }
        },
    )

히스토그램

기본 히스토그램 로깅
유연한 히스토그램 로깅

리스트, 배열, 텐서와 같은 숫자 시퀀스를 첫 번째 인자로 전달하면 np.histogram을 호출하여 자동으로 히스토그램을 생성합니다. 모든 배열/텐서는 평탄화(flatten)됩니다. 선택적인 num_bins 키워드 인자를 사용해 기본값인 64개의 빈(bin) 개수를 원하는 값으로 변경할 수 있습니다. 지원되는 최대 빈 개수는 512개입니다.UI에서는 x축에 트레이닝 스텝, y축에 메트릭 값, 색상에 카운트(개수)를 사용해 히스토그램이 그려지므로, 트레이닝 전반에 걸쳐 로깅된 히스토그램을 쉽게 비교할 수 있습니다. 한 번만 로깅하는 히스토그램에 대한 자세한 내용은 이 패널의 “Histograms in Summary” 탭을 참고하세요.

run.log({"gradients": wandb.Histogram(grads)})

더 세밀하게 제어하고 싶다면 np.histogram을 직접 호출한 뒤, 반환된 튜플을 np_histogram 키워드 인자로 전달하세요.

np_hist_grads = np.histogram(grads, density=True, range=(0.0, 1.0))
run.log({"gradients": wandb.Histogram(np_hist_grads)})

히스토그램이 Summary에 포함되어 있으면 Run Page의 Overview 탭에 표시됩니다. History에 포함되어 있으면 Charts 탭에 시간에 따른 빈(bin) 분포를 나타내는 히트맵으로 표시됩니다.

3D 시각화

3D 포인트 클라우드와 바운딩 박스가 포함된 LiDAR 장면을 로그합니다. 렌더링할 포인트의 좌표와 색상을 포함하는 NumPy 배열을 전달하세요.

point_cloud = np.array([[0, 0, 0, COLOR]])

run.log({"point_cloud": wandb.Object3D(point_cloud)})

W&B UI에서는 데이터 포인트를 최대 300,000개까지만 표시합니다.

NumPy 배열 형식

유연한 색상 구성을 위해 세 가지 NumPy 배열 형식을 지원합니다.

[[x, y, z], ...] nx3
[[x, y, z, c], ...] nx4 | c is a category 범위는 [1, 14]입니다 (세그멘테이션에 유용).
[[x, y, z, r, g, b], ...] nx6 | r,g,b 는 빨강, 초록, 파랑 색상 채널에 대한 [0, 255] 범위의 값입니다.

Python 객체

이 스키마를 사용해서 Python 객체를 정의하고, 이를 from_point_cloud 메서드에 전달할 수 있습니다.

points는 렌더링할 포인트의 좌표와 색상을 담은 NumPy 배열이며, 위에 제시된 단순 포인트 클라우드 렌더러와 동일한 형식을 사용합니다.
boxes는 다음 속성을 가진 Python 딕셔너리들로 구성된 NumPy 배열입니다:
- corners - 8개 꼭짓점의 리스트
- label - 박스에 렌더링할 라벨을 나타내는 문자열 (선택 사항)
- color - 박스의 색상을 나타내는 RGB 값
- score - 경계 상자에 표시되는 숫자 값으로, 표시할 경계 상자를 필터링하는 데 사용할 수 있습니다 (예: score > 0.75인 경계 상자만 표시). (선택 사항)
type은 렌더링할 장면 유형을 나타내는 문자열입니다. 현재 지원되는 유일한 값은 lidar/beta입니다.

point_list = [
    [
        2566.571924017235, # x
        746.7817289698219, # y
        -15.269245470863748,# z
        76.5, # red
        127.5, # green
        89.46617199365393 # blue
    ],
    [ 2566.592983606823, 746.6791987335685, -15.275803826279521, 76.5, 127.5, 89.45471117247024 ],
    [ 2566.616361739416, 746.4903185513501, -15.28628929674075, 76.5, 127.5, 89.41336375503832 ],
    [ 2561.706014951675, 744.5349468458361, -14.877496818222781, 76.5, 127.5, 82.21868245418283 ],
    [ 2561.5281847916694, 744.2546118233013, -14.867862032341005, 76.5, 127.5, 81.87824684536432 ],
    [ 2561.3693562897465, 744.1804761656741, -14.854129178142523, 76.5, 127.5, 81.64137897587152 ],
    [ 2561.6093071504515, 744.0287526628543, -14.882135189841177, 76.5, 127.5, 81.89871499537098 ],
    # ... 이하 동일
]

run.log({"my_first_point_cloud": wandb.Object3D.from_point_cloud(
     points = point_list,
     boxes = [{
         "corners": [
                [ 2601.2765123137915, 767.5669506323393, -17.816764802288663 ],
                [ 2599.7259021588347, 769.0082337923552, -17.816764802288663 ],
                [ 2599.7259021588347, 769.0082337923552, -19.66876480228866 ],
                [ 2601.2765123137915, 767.5669506323393, -19.66876480228866 ],
                [ 2604.8684867834395, 771.4313904894723, -17.816764802288663 ],
                [ 2603.3178766284827, 772.8726736494882, -17.816764802288663 ],
                [ 2603.3178766284827, 772.8726736494882, -19.66876480228866 ],
                [ 2604.8684867834395, 771.4313904894723, -19.66876480228866 ]
        ],
         "color": [0, 0, 255], # 바운딩 박스의 RGB 색상
         "label": "car", # 바운딩 박스에 표시되는 문자열
         "score": 0.6 # 바운딩 박스에 표시되는 숫자값
     }],
     vectors = [
        {"start": [0, 0, 0], "end": [0.1, 0.2, 0.5], "color": [255, 0, 0]}, # color는 선택 사항
     ],
     point_cloud_type = "lidar/beta",
)})

포인트 클라우드를 볼 때는 Ctrl 키를 누른 채 마우스를 사용해서 공간 내부를 탐색할 수 있습니다.

포인트 클라우드 파일

from_file 메서드를 사용해 포인트 클라우드 데이터가 포함된 JSON 파일을 불러올 수 있습니다.

run.log({"my_cloud_from_file": wandb.Object3D.from_file(
     "./my_point_cloud.pts.json"
)})

포인트 클라우드 데이터를 포맷하는 방법의 예는 아래와 같습니다.

{
    "boxes": [
        {
            "color": [
                0,
                255,
                0
            ],
            "score": 0.35,
            "label": "My label",
            "corners": [
                [
                    2589.695869075582,
                    760.7400443552185,
                    -18.044831294622487
                ],
                [
                    2590.719039645323,
                    762.3871153874499,
                    -18.044831294622487
                ],
                [
                    2590.719039645323,
                    762.3871153874499,
                    -19.54083129462249
                ],
                [
                    2589.695869075582,
                    760.7400443552185,
                    -19.54083129462249
                ],
                [
                    2594.9666662674313,
                    757.4657929961453,
                    -18.044831294622487
                ],
                [
                    2595.9898368371723,
                    759.1128640283766,
                    -18.044831294622487
                ],
                [
                    2595.9898368371723,
                    759.1128640283766,
                    -19.54083129462249
                ],
                [
                    2594.9666662674313,
                    757.4657929961453,
                    -19.54083129462249
                ]
            ]
        }
    ],
    "points": [
        [
            2566.571924017235,
            746.7817289698219,
            -15.269245470863748,
            76.5,
            127.5,
            89.46617199365393
        ],
        [
            2566.592983606823,
            746.6791987335685,
            -15.275803826279521,
            76.5,
            127.5,
            89.45471117247024
        ],
        [
            2566.616361739416,
            746.4903185513501,
            -15.28628929674075,
            76.5,
            127.5,
            89.41336375503832
        ]
    ],
    "type": "lidar/beta"
}

NumPy 배열

위에서 정의한 동일한 배열 형식을 사용하면 numpy 배열을 from_numpy 메서드와 함께 직접 사용해 포인트 클라우드를 정의할 수 있습니다.

run.log({"my_cloud_from_numpy_xyz": wandb.Object3D.from_numpy(
     np.array(  
        [
            [0.4, 1, 1.3], # x, y, z
            [1, 1, 1], 
            [1.2, 1, 1.2]
        ]
    )
)})

run.log({"my_cloud_from_numpy_cat": wandb.Object3D.from_numpy(
     np.array(  
        [
            [0.4, 1, 1.3, 1], # x, y, z, category 
            [1, 1, 1, 1], 
            [1.2, 1, 1.2, 12], 
            [1.2, 1, 1.3, 12], 
            [1.2, 1, 1.4, 12], 
            [1.2, 1, 1.5, 12], 
            [1.2, 1, 1.6, 11], 
            [1.2, 1, 1.7, 11], 
        ]
    )
)})

run.log({"my_cloud_from_numpy_rgb": wandb.Object3D.from_numpy(
     np.array(  
        [
            [0.4, 1, 1.3, 255, 0, 0], # x, y, z, r, g, b 
            [1, 1, 1, 0, 255, 0], 
            [1.2, 1, 1.3, 0, 255, 255],
            [1.2, 1, 1.4, 0, 255, 255],
            [1.2, 1, 1.5, 0, 0, 255],
            [1.2, 1, 1.1, 0, 0, 255],
            [1.2, 1, 0.9, 0, 0, 255],
        ]
    )
)})

run.log({"protein": wandb.Molecule("6lu7.pdb")})

다음 10가지 파일 형식 중 하나로 분자 데이터를 로깅할 수 있습니다: pdb, pqr, mmcif, mcif, cif, sdf, sd, gro, mol2, 또는 mmtf. 또한 W&B는 SMILES 문자열, rdkit mol 파일, 그리고 rdkit.Chem.rdchem.Mol 객체에서 분자 데이터를 로깅하는 것도 지원합니다.

resveratrol = rdkit.Chem.MolFromSmiles("Oc1ccc(cc1)C=Cc1cc(O)cc(c1)O")

run.log(
    {
        "resveratrol": wandb.Molecule.from_rdkit(resveratrol),
        "green fluorescent protein": wandb.Molecule.from_rdkit("2b3p.mol"),
        "acetaminophen": wandb.Molecule.from_smiles("CC(=O)Nc1ccc(O)cc1"),
    }
)

run이 완료되면 UI에서 분자의 3D 시각화를 직접 조작하며 살펴볼 수 있습니다. AlphaFold를 사용한 라이브 예제 보기

PNG 이미지

wandb.Image는 기본적으로 numpy 배열이나 PILImage 인스턴스를 PNG 형식으로 변환합니다.

run.log({"example": wandb.Image(...)})
# 또는 여러 이미지
run.log({"example": [wandb.Image(...) for img in images]})

비디오

비디오는 wandb.Video 데이터 타입으로 로깅합니다.

run.log({"example": wandb.Video("myvideo.mp4")})

이제 미디어 브라우저에서 비디오를 볼 수 있습니다. 프로젝트 워크스페이스, run 워크스페이스 또는 리포트로 이동한 다음 Add visualization을 클릭하여 리치 미디어 패널을 추가하세요.

분자의 2D 보기

wandb.Image 데이터 타입과 rdkit을 사용해 분자의 2D 보기를 로그할 수 있습니다:

molecule = rdkit.Chem.MolFromSmiles("CC(=O)O")
rdkit.Chem.AllChem.Compute2DCoords(molecule)
rdkit.Chem.AllChem.GenerateDepictionMatching2DStructure(molecule, molecule)
pil_image = rdkit.Chem.Draw.MolToImage(molecule, size=(300, 300))

run.log({"acetic_acid": wandb.Image(pil_image)})

기타 미디어

W&B에서는 이외에도 다양한 미디어 유형 로깅을 지원합니다.

오디오

run.log({"whale songs": wandb.Audio(np_array, caption="OooOoo", sample_rate=32)})

스텝(step)당 최대 100개의 오디오 클립을 로깅할 수 있습니다. 사용 방법에 대한 자세한 내용은 audio-file을(를) 참조하세요.

비디오

run.log({"video": wandb.Video(numpy_array_or_path_to_video, fps=4, format="gif")})

numpy 배열이 제공되면 차원 순서는 시간, 채널, 너비, 높이라고 가정합니다. 기본적으로 초당 4프레임의 GIF 이미지를 생성합니다 (numpy 객체를 전달하는 경우 ffmpeg와 moviepy Python 라이브러리가 필요합니다). 지원되는 형식은 "gif", "mp4", "webm", "ogg"입니다. 문자열을 wandb.Video에 전달하면, wandb로 업로드하기 전에 해당 파일이 존재하는지와 지원되는 형식인지 확인합니다. BytesIO 객체를 전달하면 지정한 형식을 확장자로 사용하는 임시 파일을 생성합니다. W&B Run 및 Project 페이지의 Media 섹션에서 동영상을 확인할 수 있습니다. 사용 방법에 대한 더 자세한 내용은 video-file을 참조하세요.

텍스트

wandb.Table을 사용해 UI에 표시되는 텍스트를 테이블 형태로 로깅하세요. 기본 열 헤더는 ["Input", "Output", "Expected"]입니다. 최적의 UI 성능을 위해 기본 최대 행 수는 10,000으로 설정되어 있습니다. 다만 사용자는 wandb.Table.MAX_ROWS = {DESIRED_MAX}로 최대값을 명시적으로 변경할 수 있습니다.

with wandb.init(project="my_project") as run:
    columns = ["Text", "Predicted Sentiment", "True Sentiment"]
    # 방법 1
    data = [["I love my phone", "1", "1"], ["My phone sucks", "0", "-1"]]
    table = wandb.Table(data=data, columns=columns)
    run.log({"examples": table})

    # 방법 2
    table = wandb.Table(columns=columns)
    table.add_data("I love my phone", "1", "1")
    table.add_data("My phone sucks", "0", "-1")
    run.log({"examples": table})

pandas의 DataFrame 객체를 전달할 수도 있습니다.

table = wandb.Table(dataframe=my_dataframe)

자세한 사용법은 string을(를) 참조하세요.

HTML

run.log({"custom_file": wandb.Html(open("some.html"))})
run.log({"custom_string": wandb.Html('<a href="https://mysite">Link</a>')})

사용자 정의 HTML은 임의의 키에 로깅할 수 있으며, run 페이지에 HTML 패널이 표시됩니다. 기본적으로 기본 스타일이 자동으로 적용되며, inject=False를 전달해 기본 스타일 적용을 끌 수 있습니다.

run.log({"custom_file": wandb.Html(open("some.html"), inject=False)})

사용 방법에 대한 자세한 내용은 html-file을 참조하세요.

가이드

인테그레이션

참고 자료

사전 준비 사항

이미지

이미지 오버레이

Tables에서 이미지 오버레이

히스토그램

3D 시각화

NumPy 배열 형식

Python 객체

포인트 클라우드 파일

NumPy 배열

PNG 이미지

비디오

분자의 2D 보기

기타 미디어

오디오

비디오

텍스트

HTML

가이드

인테그레이션

참고 자료

​사전 준비 사항

​이미지

​이미지 오버레이

​Tables에서 이미지 오버레이

​히스토그램

​3D 시각화

​NumPy 배열 형식

​Python 객체

​포인트 클라우드 파일

​NumPy 배열

​PNG 이미지

​비디오

​분자의 2D 보기

​기타 미디어

​오디오

​비디오

​텍스트

​HTML

사전 준비 사항

이미지

이미지 오버레이

Tables에서 이미지 오버레이

히스토그램

3D 시각화

NumPy 배열 형식

Python 객체

포인트 클라우드 파일

NumPy 배열

PNG 이미지

비디오

분자의 2D 보기

기타 미디어

오디오

비디오

텍스트

HTML