level2_cv_semanticsegmentation-cv-19

• 부스트캠프 AI Tech - Level2. Semantic Segmentation Competition

Introduction

목표 : 손가락, 손등, 팔에 존재하는 뼈를 29개의 class로 segmentation하는 모델 제작

데이터셋 : 2048 x 2048 크기의 손뼈 X-ray 이미지. (train : 800장, test : 300장)

프로젝트 개발 환경 : Ubuntu 18.04.5 LTS, Intel(R) Xeon(R) Gold 5120 CPU @ 2.20GHz, Ram 90GB, Tesla V100 32GB

대회 지표 : Dice coefficient

---

Contributors

V.I.P == ✨Visionary Innovative People✨

김서인

문상인

박재훈

이강민

전지수

역할

팀원	역할
김서인	train data 시각화 EDA, U-Net 및 smp 모델 베이스라인 구축, hard voting ensemble 및 debug mode 구현
문상인	Baseline 구축, EDA, Loss fn 구현, Segformer/Mask2former 실험
박재훈	hugging-face 모델 코드 구축, Ensemble 구현, 마스킹 임계값 최적화, 모델 추론 시각화
이강민	DeepLab 베이스라인 구축 및 실험 진행, U-Net 실험
전지수	PM, mmseg 베이스라인 구축 및 실험 시도, Convnext 실험

Tech Skill

---

Repository 구조

• Repository 는 다음과 같은 구조로 구성되어 있습니다.

├── .github
├── datasets
├── codebook
├── images
├── losses
├── model
├── trainer
├── utils
├── .gitignore
└── README.md

---

실행 방법

install requirements

pip install -r requirements.txt

train

./configs/queue 폴더에 base_config.json와 같은 형식의 config 파일 작성

python train.py --config ./configs/queue/base_config.json

여러개의 config를 자동 학습하고자 할 때, ./configs/queue 폴더에 여러 개의 conifg.json을 넣은 후

sh auto_trainer.sh

inference

python inference.py --exp {exp_folder} --img_size 1024 --save_logits

---

실험 내용

분류	내용
Dataset	EDA - 특정 손목뼈는 다른 뼈와 많은 부분 겹쳐서 존재 - 손의 각도가 다른 데이터 샘플 (train: 약 11%, val: 약 58%) - 네일아트, 반지 및 철심 등 특이 데이터 존재 Dataset 구성 - 특이 데이터 삭제 - 양 손을 한 그룹으로 묶는 GroupKFold - 각도 분포 보정을 위한 Stratified K-fold
Models	CNN 및 Transformer 모델을 골고루 섞어 학습 - CNN: U-Net, U-Net++, DeepLab, ConvNeXt - Transformer: Mask2Forner, SegFormer
Data augmentation	Hard Augmentation 적용 - Resize - RandomBrightnessContrast - ElasticTransform - ImageCompression - OneOf([Blur, MedianBlur]) - HorizontalFlip - CLAHE
Optimizer	- AdamW 고정, lr에 민감해서 ReduceLROnPlateau와 CosineAnnealingWarmupRestarts scheduler를 가지고 모델 별 세팅값 조절
Loss	- Focal Loss와 Dice Loss를 weighted sum한 Combo Loss 사용
Ensemble	- Class 별 다른 threshold를 가져가는 class-wise threshold 적용 - Hard-Voting
MixedPR	- 1024의 해상도 학습을 위해 fp16 연산을 수행

---

협업 툴 및 프로젝트 관리

1. GitHub

• GitFlow를 따라 Github를 활용했다. 개발 과정에서 다음과 같은 절차를 따라 진행했다.
  • 이슈 생성
  • Feature branch 생성
  • Pull Request
  • 코드 리뷰 및 merge
• commit message는 ‘feat: ~ ’ 형식을 사용하였고, issue와 관련된 commit인 경우 issue 번호를 commit message의 foot에 추가해주었다.

2. Notion

3. WandB

• validation Dice, train/val loss learning rate 등 실험 결과와 config.json setting 값들을 로깅하였다.

---

프로젝트 결과

최종 순위 1등/19팀