- 전체 이미지 개수 : 9754장 (train 4883 + test 4871 장)
- 분류 class(10개) : General trash, Paper, Paper pack, Metal, Glass, Plastic, Styrofoam, Plastic bag, Battery, Clothing
- 이미지 크기 : (1024, 1024)
- annotation file : image 정보 (id, height, width, file name) + annotation 정보 (id, Bbox, area, category id, image id)
- Input : 쓰레기 객체가 담긴 이미지, Bbox (좌표, 카테고리) annotation file (COCO format)
- Output : Bbox 좌표, 카테고리, score 값 (Pascal VOC format)
- Evaluation : Test set의 mAP50(Mean Average Precision)로 평가
- Object Detection에서 사용하는 대표적인 성능 측정 방법
- Ground Truth 박스와 Prediction 박스 간 IoU(Intersection Over Union, Detector의 정확도를 평가하는 지표)가 50이 넘는 예측에 대해 True라고 판단
 |
 |
 |
 |
 |
|---|---|---|---|---|
| 김용우 | 박종서 | 서영덕 | 신현준 | 조수혜 |
- Bbox 는 Medium, 작은 Large가 가장 많음
- Bbox 크기에 대한 class 별 imbalance는 존재하지 않았음
- 각 class 사이의 개수는 imbalance가 존재
- Train Set의 annotation을 이용하여 직접 labeling을 확인한 결과 대부분의 Bbox가 규칙성이 존재하지 않았고, 잘못 labeling되어있는 것이 상당히 많이 존재(실제 이미지는 양이 많아 첨부 생략)
- relabeling의 필요성 생각
├── codebook : EDA, ensemble, visualize등의 코드를 작성
│ ├── EDA.ipynb
│ ├── ensemble_WBF.py
│ ├── groupKfold.ipynb
│ ├── pseudo_labeling.ipynb
│ └── pyproject.toml
├── mmdetection : mmdetection library baseline code
│ ├── configs
│ ├── custom_configs
│ ├── train.py
│ ├── train_p.py
│ └── pyproject.toml
└── .gitignore - mmdetection 폴더 내의 README.md 참고
- EDA.ipynb : train dataset EDA code
- ensemble_WBF.py : ensemble-boxes를 활용한 object detection ensemble code
- groupKfold.ipynb : train dataset을 stratified-groupKfold로 나누기 위해 사용한 code
- pseudo_labeling.ipynb : test dataset을 0.6 mAP의 모델로 pseudo labeling 하기 위한 code
- visualize_test_image.ipynb : submission file visualize code
- softNMS_WBF_1 : 모델 7개 (mAP : 0.6610 → 0.6420)
- softNMS_WBF_2 : 모델 4개 (mAP : 0.6604 → 0.6400)
- 개별 모델 중 최고 점수(mAP : 0.6283 → 0.6128, Cascade faster rcnn(backbone : swin transformer base))
- 같은 모델에서는 soft-nms 방식이 결과가 좋았고, 서로 다른 모델은 WBF 방식의 성능이 좋게 나타남
- 각각의 모델에 대해서 soft-nms를 적용한 이유는 같은 곳에 박스를 여러 번 치는 현상이 나타나 영향력을 줄이기 위해서 진행
-
dataset : “부스트캠프 AI Tech”
-
mmdetection
-
UniverseNet
-
ensemble-boxes
