재활용 품목 분류를 위한 Object Detection

1. Competiton Info

Overview

• 재활용 품목 분류를 위한 Object Detection
• 네이버 커넥트 재단 및 Upstage에서 주관하는 비공개 대회
• 이미지에서 재활용 쓰레기를 분류를 하기 위한 Object Detection 모델을 개발한다
• 문제 해결을 위한 데이터셋으로는 COCO 포맷의 Annotation 파일과 일반 쓰레기, 플라스틱, 종이, 유리 등 10 종류의 쓰레기가 찍힌 이미지가 제공된다

Timeline

• 2024.10.02 ~ 2024.10.24

Evaluation

• 평가지표: Test set의 mAP50
• Ground Truth 박스와 Prediction 박스간 IoU(Intersection Over Union, Detector의 정확도를 평가하는 지표)가 50이 넘는 예측에 대해 True로 판단한다

2. Team Info

MEMBERS

김예진	배형준	송재현	이재효	차성연

Project Objective and Direction

• 직접 찾은 근거, 공신력있는 근거 활용하기
  • 모델을 선택하거나 하이퍼파라미터를 조정하는 데 있어서, ChatGPT에 의존하지 않고 임의로 파라미터를 바꿔가며 최적값을 찾아가지 않는다
  • 이전 실험의 결과를 분석하여 활용하거나 논문을 참고하는 등, 반드시 믿을 수 있는 근거를 가지고 가설을 세우고 실험을 설계한다
• 심층적 분석
  • 수행한 실험에 대해 값만 확인하는 것이 아니, 결과를 시각화하고 면밀하게 분석하여 팀원들과 의견을 나눈다

Team Component

• EDA, 데이터 분석 및 유틸리티 배포 : 김예진, 이재효, 차성연
• 하이퍼파라미터 및 데이터 증강 실험 : 김예진, 배형준, 송재현
• 모델 실험 및 분석 : 이재효, 차성연

3. Data EDA

• 카테고리별 수와 BBox 면적별 수를 확인함으로써 데이터가 상당히 불균형하다는 것을 알 수 있었다
• BBox 크기는 상당히 넓은 범위에 걸쳐 분포하고 비율은 대부분 4를 넘지 않는 것을 확인하였다

4. Modeling

Model Description

• 1-stage : RetinaNet, Yolov11
• 2-stage : Faster-RCNN, Cascade-RCNN
• Vit 기반 모델 : DINO

Modeling Result

Model	mAP@50 (Private)
NMS_Ensemble (DINO)	0.7142
WBF_Ensemble (모든 모델)	0.6185

5. Result

Leader Board

Team name : CV_22조

Feedback

• 근거 기반 실험 설계와 심층적 분석을 통해 신뢰성 있는 실험을 수행하고 팀원들과 체계적으로 협업을 하였다
• 직접 데이터 증강 코드를 구현하여 커스텀 증강 시도해보면 좋았을 것 같다

6. How to Run

Project File Structure

├── detectron2 # detectron2 관련 파일
├── eda # 데이터 EDA 파일
├── mmdetection # mmdetection
    ├── dataset # 데이터셋 파일 + K-Fold json 파일
    ├── mmdetection # mmdetection 라이브러리 파일 및 모델 config 추가
    └── tools # 앙상블 및 csv 변환 파일
├── ultralytics # yolov11 라이브러리 및 모델 config 추가
├── utils # 성능 분석을 위한 유틸리티
└── main.py # detectron2 실행 main 파일

• 현재 레포지토리를 클론한다

  git clone https://github.com/boostcampaitech7/level2-objectdetection-cv-22.git

• 아래 경로에 데이터셋을 다운받는다

  cd level2-objectdetection-cv-22/mmdetection/dataset

Detectron2

• 아래의 경로로 이동한다

  cd level2-objectdetection-cv-22

• Detectron2 라이브러리를 다운로드한다

  git clone https://github.com/facebookresearch/detectron2.git

• 학습, 테스트, 성능 분석 파일 추출 등 가이드라인에 따라 실행한다

  cd level2-objectdetection-cv-22/detectron2 && python main.py

MMDetection

• 아래의 경로에서 실행한다

  cd level2-objectdetection-cv-22/mmdetection/

• 원하는 모델로 학습한다

  python tools/train.py custom_configs/{사용할 모델 config.py}

• 학습된 모델로 추론한 결과를 pickle 파일로 저장한다

  python tools/test.py custom_configs/{사용할 모델 config.py} work_dirs/{모델.pth} --out work_dirs/{사용한 모델 이름a.pkl}

• pickle 파일을 csv 파일로 변환하여 결과를 확인한다

  python pikel_to_csv.py

Ultiralytics (Yolov11)

• 아래의 경로로 이동한다

  cd level2-objectdetection-cv-22

• Ultiralytics 라이브러리 다운로드 받는다

  git clone https://github.com/ultralytics/ultralytics.git

• 원하는 모델로 학습, 추론 및 csv 파일을 추출한다

  cd level2-objectdetection-cv-22/Ultiralytics && python main.py