대량 생산, 대량 소비의 시대. 우리는 많은 물건이 대량으로 생산되고, 소비되는 시대를 살고 있습니다. 하지만 이러한 문화는 '쓰레기 대란', '매립지 부족'과 같은 여러 사회 문제를 낳고 있습니다.분리수거는 이러한 환경 부담을 줄일 수 있는 방법 중 하나입니다. 문제 해결을 위한 데이터셋으로는 일반 쓰레기, 플라스틱, 종이, 유리 등 10 종류의 쓰레기가 찍힌 사진 데이터셋이 제공됩니다.이를 이용하여 사진에서 쓰레기를 Detection 하는 모델을 만들어 이러한 문제점을 해결해보고자합니다
| 이름 | github | 맡은 역할 |
|---|---|---|
| 김보경 | github | Baseline Code 리팩토링, wandb 연동, AI 모델 리서치 |
| 김정주 | github | YOLO v8 실험, YOLO 전용 SKF 구현, Augmentation 실험 |
| 양재민 | github | Baseline with Stratified K-Fold 리팩토링, Ensemble 적용, AI 모델 리서치 |
| 임준표 | github | Augmentation 실험 및 적용, AI 모델 리서치 및 실험 |
| 정남교 | github | SKF를 활용한 Data Split 구현, AI 모델 리서치 및 실험 설계 |
-
Image Data
- 크기: (1024, 1024)
- Train: 4883장의 Training용 train image
- Test: 4871장의 Validation용 test image
-
Annotation Data
-
train.json: train image에 대한 annotation file (COCO format)
-
Test.json: test image에 대한 annotation file (COCO format)
- Id: 파일 안에 annotation 고유 index, ex) 1
- bbox: 객체가 존재하는 박스의 좌표 (xmin, ymin, width, height)
- area: 객체가 존재하는 박스의 크기
- category_id: 객체가 해당하는 Class의 id
- image_id: annotation이 표시된 이미지 고유 index
-
-
10 classes: 0-General trash, 1-Paper, 2-Paper pack, 3-Metal, 4-Glass, 5-Plastic, 6-Styrofoam, 7-Plastic bag,8-Battery, 9-Clothing
실험 관련 세부사항은 랩업리포트 참고.
| Model | mAP |
|---|---|
| YOLO v8 + RetinaNet | 0.4556 |
| YOLO v8 + RetinaNet + Faster R-CNN + Cascade R-CNN (iou_thresh=0.5) | 0.4663 |
| Swin Transformer KFold(split 0~3) + Faster R-CNN+ DetectoRS | 0.5222 |
| Swin Mask R-CNN + DetectoRS(iou_thresh=0.6) | 0.5255 |
| Swin Transformer (split 0,1,3) + Faster R-CNN +DetectoRS | 0.5270 |