국방 AI 경진대회 코드 사용법(본선)

사용한 모델

• 김태민, 임서현: MPRNet, 26.3(PSNR) github
• 정시현, 이준형: Restomer, 21.2(PSNR) github
• 데이터 분석 및 데이터 셋 재구성
  • PSNR 점수로 학습 데이터의 분포를 확인후에 2400장으로 재구성.
• 후처리
  • Restomer의 pretrained Deblurring model 사용해 PSNR 0.5점 높임.

국방 AI 경진대회 코드 사용법(예선)

팀명 : 중요한 건 꺾는 마음

팀원: 정시현(팀장), 이준형, 김태민, 임서현
sh2298, jjuun, taemin6697, 임리둥절

• 정시현: 모델 파이프라인 구축 및 총괄
• 이준형: 데이터 분석 및 불균형 데이터 증강(cutmix, transform(flip, rotate, crop, gausian blur))
• 김태민, 임서현: 모델 선정 및 tunning(learning rate, batch)

핵심 파일 설명

• 학습 데이터 경로: ./data
• 공개 Pretrained 모델 기반으로 추가 Fine Tuning 학습을 한 파라미터 1개
  • ./results/train/final-submission
• 학습 메인 코드: ./train.py
• 테스트 메인 코드: ./predict.py
• 테스트 이미지, 마스크 경로: ./results/pred/final-submission/mask

코드 구조 설명

학습 진행하기 전 이미지 증강을 먼저 실행하여 학습 시간 단축

• 전처리 Get 1, 2 Labeled Image path

  • python ./modules/get_class_path.py

  Data Upsampling via ChangeFormer Augmentation Methods : ./preprocess/augmentation.py

  • python ./preprocess/augmentation.py

  Data Upsampling via Cutmix using DFS Algorithm only for Label 1, 2 Mixing : ./preprocess/cutmix.py

  • python ./preprocess/cutmix.py

  최종 학습 사용 데이터 (총 17559 장의 이미지 사용)

  • ./data/train
  • ./data/up
  • ./data/cut

• 모델
  nvidia/segformer-b4-finetuned-cityscapes-1024-1024를 사용하여 학습 및 테스트함.
  Pretrained Model URL

  # of Steps : 18000 steps

  Hyper-paramerter

  • batch:4
  • val_size: 0.3
  • learning_rate=0.00005
  • eval_accumulation_steps=10
  • epoch : 6

  최종 사용 모델 : nvidia/segformer-b4-finetuned-cityscapes-1024-1024 (Transfer Learning in 18000 steps lr 0.00005)

• predict python predict.py

• 최종 제출 파일 : ./results/pred/final-submission/mask

• 학습된 가중치 파일 : ./results/train/final-submission (Huggingface 특성상 폴더 전체를 불러와 모델에 연결시킴)

주요 설치 library

• torch==1.12.1
• torchvision==0.13.1
• transformers
• datasets
• pickle5
• pyyaml
• scikit-learn
• numpy
• pandas
• evaluate
• pillow
• opencv-python
• matplotlib

How to use step by step

1. 처음부터 학습 및 추론하기

data 폴더 안에 train, test 이미지 넣기

pip install -r requirements.txt
python ./modules/get_class_path.py
python ./preprocess/augmentation.py
python ./preprocess/cutmix.py

./config/train.yaml 에서 train_folder 를 원하는 이름으로 수정
./config/predict.yaml 에서 train_folder 를 위와 같은 이름으로 수정

python train.py

학습이 전부 끝난 후
python predict.py

2. 최종 제출 가중치 파일로 추론하기

코드 수정없이
data 폴더 안에 train, test 이미지 넣기

pip install -r requirements.txt
python ./modules/get_class_path.py
python ./preprocess/augmentation.py
python ./preprocess/cutmix.py


python predict.py

Architecture

army-ai
├─ config
│  ├─ predict.yaml
│  └─ train.yaml
| data
|  ├─ up
|  ├─ cut
|  ├─ train
|  ├─ pickle
|  └─ test
├─ models
│  └─ utils.py
├─ modules
│  ├─ EDA.py
│  ├─ datasets.py
│  ├─ earlystoppers.py
│  ├─ get_class_path.py
│  ├─ losses.py
│  ├─ metrics.py
│  ├─ optimizers.py
│  ├─ recorders.py
│  ├─ scalers.py
│  ├─ schedulers.py
│  ├─ trainer.py
│  └─ utils.py
├─ preprocess
│  ├─ augmentation.py
│  ├─ class1.csv
│  ├─ class2.csv
│  └─ cutmix.py
├─ results
│  ├─ pred
│  │  └─ final-submission
│  │     ├─ mask
│  │     ├─ pred.log
│  │     ├─ predict_config.yml
│  │     └─ train_config.yml
│  └─ train
│     └─ final-submission
│        └─ checkpoint-18000
│           ├─ config.json
│           ├─ optimizer.pt
│           ├─ pytorch_model.bin
│           ├─ rng_state.pth
│           ├─ scheduler.pt
│           ├─ trainer_state.json
│           └─ training_args.bin
├─ Final-submit-mask.zip
├─ README.md
├─ predict.py
├─ requirements.txt
└─ train.py