BoostCamp AI Tech4 level-2-재활용 품목 분류를 위한 Object Detection Project

---

Member🔥

김지훈	원준식	송영섭	허건혁	홍주영

---

Index

• Project Summary
• Team role
• Procedures
• Model
• Result
• Command
• Wrap UP Report

---

Project-Summary

개요

• 주제: 사진에서 쓰레기를 Detection 하는 모델을 만들어 쓰레기로 인한 환경 문제를 해결해보고자 합니다.
• 기대효과: 우수한 성능의 모델은 쓰레기장에 설치되어 정확한 분리수거를 돕거나, 어린아이들의 분리수거 교육 등에 사용될 수 있을 것입니다.
• Input: 쓰레기 객체가 담긴 이미지
• Output: bbox 좌표, category, score 값

데이터 셋 구조

• 이미지 크기 : (1024, 1024)
• annotation: COCO format

 dataset
    ├── train.json      
    ├── test.json
    ├── train            #(4,883장)
    └── test             #(4,871장)

***

Team role

• 김지훈: EDA, 2stage model 실험
• 원준식: backbone model 실험
• 송영섭: 대회 실험 관리 및 진행, 1stage model 실험
• 허건혁: Data EDA를 위한 시각화 tool 개발 & pseudo labeling 실험
• 홍주영: SOTA모델(Diffusion Det) 적용, 2-stage model 실험

---

Procedures

대회 기간 : 2022.11.16 ~ 2022.12.01

날짜	내용
11.14 ~ 11.20	BoostCamp 강의 수강 및 Object Detection 이론 학습
11.21 ~ 11.27	Data EDA & Model Experiment
11.28 ~ 12.01	HyperParameter Tuning & model Ensemble

---

Model

1 stage model

• 1 stage model 은 mmdetection 및 yolov7 라이브러리에 구현된 모델들 중 주어진 데이터에 가장 높은 성능을 내는 YOLOv7 선정

Model	mAP50 (val)	mAP50 (LB)	Training Time	Inference Time
YOLOv3	22.1	39.51	3h 34m 28s	1m 30s
YOLOX	20.4	-	16h	94s
YOLOv7	56.2	44.76	6h 16m	약 5m
SSD	47.6	-	6h 50m 41s	54s

2 stage

• 2 stage model 은 mmdetection, detectron2 라이브러리로 구현된 모델과 backborn 의 조합 중 주어진 데이터에 시간 대비 가장 높은 성능을 Cascade-RCNN을 최종 모델로 선정

Model	mAP50 (val)	mAP50 (LB)	Training Time	Inference Time (validation)
VariFocalNet	52.8	50.6	7h 00m 7s	102s
TOOD	48.5	42.3	6h 35m 59s	136s
Deformable-DETR	42.1	-	13h 39m 15s	98s
Cascade-RCNN	48.9	-	1h 43m 11s	75s

Backbone

• mmdetection 라이브러리에 구현된 백본 및 평가 지표를 근거로 학습시간과 팀원들의 모델과의 앙상블, 모델 사이즈의 확장성을 고려하여 swin-transformer와 ConvNeXt를 최종 backbone으로 결정

Model type: Cascade RCNN

Backbone	mAP50 (val)	mAP50 (LB)	Training Time	Inference Time(validation)
ResNeSt	52.6	-	3h 10m 2s	161s
ResNet strikes back	52.5	-	1h 42m 3s	66s
Swin-tiny	51.9	-	2h 54m 1s	112s
ConvNeXt-tiny	50.3	-	2h 30m 2s	103s
PVT	56.1	-	3h 34m 46s	152s

Augmentation

모델에 따라 효과적인 augmentation을 각각 적용

• Normalizaion
• base_augmentation
  • Horizontal, Vertical Flip, GaussNoise, Shiftscale Rotate, RandomBrightnessContrast, RGB Shift, HueSaturationValue, Blur, Median Blur
• Mosaic (p=0.5)
• Mixup (p=0.5)

Optimization

• SGD
• AdamW
• Adam with no weight decay
• Cosine Annealing scheduler

TestTimeAugmentation

• Multi-scale TestTimeAugmentation 적용 (512, 512) ~ (1024, 1024)까지 (128, 128) 씩 증가시켜 적용

	LB Score	Inference Time
Swin-Large without multi-scale TTA	0.6132	2225s
Swin-Large with multi-scale TTA	0.6317	6901s

Ensemble

---

Result

Leaderboard	public	private
Score(mAP50)	0.6934	0.6775
Ranking	6th / 19th	7th / 19th

Command

• mmdetection train command

python mmdetection/tools/train.py {config file}

• submission csv 생성 command

python submission.py -c {config file} -r {checkpoint}

• Data Visual을 위한 streamlit command

streamlit run app.py

---

Wrap UP Report

• Report