-
Notifications
You must be signed in to change notification settings - Fork 3
Commit
This commit does not belong to any branch on this repository, and may belong to a fork outside of the repository.
- Loading branch information
Showing
2,541 changed files
with
305,802 additions
and
761 deletions.
There are no files selected for viewing
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| Original file line number | Diff line number | Diff line change |
|---|---|---|
| @@ -1,19 +1,170 @@ | ||
| # CV-13 Level 2 Object Detection 프로젝트 베이스라인 코드 | ||
| # CV-13 Level 2 Object Detection 프로젝트 | ||
|
|
||
| ## Project Structure | ||
| > ## 대회 개요: 지구 환경 보호를 위한 쓰레기 감지 모델 개발 대회 | ||
| ### 배경 | ||
| 현대 사회는 대량 생산과 대량 소비의 시대로, 이는 '쓰레기 대란' 및 '매립지 부족'과 같은 다양한 환경 문제를 초래하고 있습니다. 이러한 문제에 대응하기 위해, 분리수거는 필수적인 활동으로 자리 잡았습니다. 정확하게 분류된 쓰레기는 자원으로 재활용될 수 있는 가치를 지니지만, 잘못 분류되면 매립지나 소각장으로 향하게 됩니다. | ||
|
|
||
| ### 목적 | ||
| 이 대회는 사진 속 쓰레기를 정확하게 감지하고 분류할 수 있는 모델을 개발하는 것을 목표로 합니다. 참가자들에게 제공되는 데이터셋은 다양한 종류의 쓰레기(일반 쓰레기, 플라스틱, 종이, 유리 등 10종)가 담긴 사진들로 구성되어 있으며, 이를 활용하여 모델을 학습시킬 수 있습니다. | ||
|
|
||
| ### 응용 가능성 | ||
| 성공적으로 개발된 모델은 쓰레기장에 설치되어 정확한 분리수거를 돕거나, 어린이들의 분리수거 교육에 활용될 수 있습니다. 이를 통해 지구 환경 보호에 기여하고, 야생동물의 생계 위협과 같은 문제를 완화하는 데 도움을 줄 것입니다. 또한, 이 기술은 쓰레기를 줍는 드론, 쓰레기 배출 방지 비디오 감시, 인간의 쓰레기 분류를 돕는 AR 기술 등 다양한 분야에 응용될 수 있습니다. | ||
|
|
||
| ### 데이터셋과 평가 방법 | ||
| - **Input**: 쓰레기 객체가 담긴 이미지 | ||
| - **Annotations**: bbox 정보 (좌표, 카테고리), COCO format으로 제공 | ||
| - **Output**: 모델은 bbox 좌표, 카테고리, score 값을 리턴해야 하며, 이를 바탕으로 submission 양식에 맞는 csv 파일을 생성하여 제출 | ||
|
|
||
| ### 요약 | ||
| 이 대회는 지구 환경 보호에 기여할 수 있는 쓰레기 감지 및 분류 모델을 개발하는 것을 목표로 합니다. 제공되는 데이터셋을 활용해 모델을 학습시키고, 이를 통해 분리수거를 효율적으로 할 수 있는 방법을 탐색합니다. 이 기술은 쓰레기 처리 시설의 효율성을 높이고, 환경 교육에도 응용될 수 있습니다. 참가자들은 지구 환경 보호를 위한 중요한 일에 기여하는 동시에, 인공지능과 기계 학습 분야에서 실질적인 문제 해결 능력을 키울 수 있는 기회를 갖게 됩니다. | ||
|
|
||
| > ## Project Structure | ||
| ``` | ||
| 📦level2-objectdetection-cv-13 | ||
| ┣ 📂eda | ||
| ┃ ┣ 📜eda.ipynb | ||
| ┃ ┗ 📜show_image.ipynb | ||
| ┣ 📂pytorch | ||
| ┃ ┣ 📜faster_rcnn_torchvision_inference.ipynb | ||
| ┃ ┗ 📜faster_rcnn_torchvision_train.ipynb | ||
| ┣ 📂detectron2 | ||
| ┣ 📂mmdetection | ||
| ┃ ┣ 📂configs | ||
| ┃ ┣ 📂mmdet | ||
| ┃ ┗ 📜train.py | ||
| ┗ 📜README.md | ||
| ┣ 📂 eda | ||
| ┃ ┣ 📜 eda.ipynb | ||
| ┃ ┣ 📜 labelme_to_coco.py | ||
| ┃ ┣ 📜 object_add_algorithm.ipynb | ||
| ┃ ┣ 📜 show_image.ipynb | ||
| ┃ ┣ 📜 show_test_image.ipynb | ||
| ┣ 📂 pytorch | ||
| ┣ 📂 detectron2 | ||
| ┣ 📂 deta | ||
| ┣ 📂 efficientdet | ||
| ┣ 📂 yolov8 | ||
| ┣ 📂 mmdetection | ||
| ┃ ┣ 📂configs | ||
| ┃ ┃ ┣ 📂_base_ | ||
| ┃ ┃ ┣ 📂_teamconfig_ | ||
| ┃ ┣ 📂mmdet | ||
| ┃ ┗ 📜train.py | ||
| ┃ ┗ 📜test.py | ||
| ┣ 📜 small_box.ipynb | ||
| ┣ 📜 upsampling.ipynb | ||
| ┣ 📜 wbf_ensemble.ipynb | ||
| ┣ 📜 Train-valid_Split.ipynb | ||
| ┗ 📜 README.md | ||
| ``` | ||
| # 실행 코드 | ||
|
|
||
| > ## DINO 실행 방법 및 코드 | ||
| ### 1. `dino_requirements.txt` 설치 | ||
|
|
||
| ``` | ||
| pip install -r dino_requirements.txt | ||
| ``` | ||
|
|
||
| ### 2. `Train.py` 실행 | ||
|
|
||
| ``` | ||
| python mmdetectionv3/train.py {config 폴더 경로} --work-dir {모델이 저장될 경로} | ||
| # DINO Train: | ||
| python mmdetectionv3/train.py mmdetectionv3/configs/_teamconfig_/dinonoval/config.py --work-dir results/dino | ||
| ``` | ||
|
|
||
| ### 3. `Test.py` 실행 | ||
|
|
||
| ``` | ||
| python mmdetectionv3/test.py {config 폴더 경로} {모델 체크포인트 경로} --work-dir {결과가 저장될 경로} | ||
| # DINO Test: | ||
| python mmdetectionv3/test.py mmdetectionv3/configs/_teamconfig_/dinonoval/config.py results/dino/best.pth --work-dir out/dino | ||
| ``` | ||
|
|
||
|
|
||
| > ## Cascade R-CNN 실행 방법 및 코드 | ||
| ### 1. `cascade_requirements.txt` 설치 | ||
|
|
||
| ``` | ||
| pip install -r cascade_requirements.txt | ||
| ``` | ||
|
|
||
| ### 2. `Train.py` 실행 | ||
|
|
||
| ``` | ||
| python mmdetection/train.py --config {_teamconfig_안에 있는 폴더명}/{config파일명} --exp-name {실험명} --work-dir {모델을 저장할 경로} --epochs {epoch 갯수} | ||
| # Cascade Train: | ||
| python mmdetection/train.py --config cascade_rcnn/cascade_rcnn_config.py --exp-name cascade --work-dir results/cascade --epochs 15 | ||
| ``` | ||
|
|
||
| ### 3. `Test.py` 실행 | ||
|
|
||
| ``` | ||
| python mmdetection/test.py --config {_teamconfig_안에 있는 폴더명}/{config파일명} --checkpoint {모델이 저장된 경로} | ||
| # Cascade Test: | ||
| python mmdetection/test.py --config cascade_rcnn/cascade_rcnn_config.py --checkpoint results/cascade/best.pth | ||
| ``` | ||
|
|
||
| > ## YOLOv8 실행 방법 및 코드 | ||
| ### 1. Installation | ||
|
|
||
| ``` | ||
| python -m venv ./venv | ||
| source venv/bin/activate | ||
| pip install -r requirements.txt | ||
| ``` | ||
|
|
||
| ### 2. Dataset transfer (coco to yolo) | ||
|
|
||
| ``` | ||
| python convert_coco_to_yolo.py | ||
| ``` | ||
|
|
||
| ### 3. Train | ||
|
|
||
| ``` | ||
| python main.py | ||
| ``` | ||
|
|
||
|
|
||
| > ## Ensemble 방법 | ||
| - [wbf_ensemble.ipynb](https://github.com/boostcampaitech6/level2-objectdetection-cv-13/blob/develop/wbf_ensemble.ipynb) 파일에서 csv파일 경로를 지정한 후 앙상블하실 수 있습니다. | ||
|
|
||
| --- | ||
|
|
||
| ## Top 5 Score | ||
|
|
||
| | | Submit | LB Score | | ||
| | --- | --- | --- | | ||
| |**1st**| Cascade R-CNN Swin-T-Large 5fold(WBF) + DINO (All Dataset), NMS Ensemble | 0.7013 | | ||
| |**2nd**| Cascade R-CNN Swin-T-Large 5fold(WBF) + DINO (1fold + All Dataset, WBF), NMS Ensemble | 0.6980 | | ||
| |**3rd**| Cascade R-CNN Swin-T-Large 5fold(WBF) + DINO 1fold, NMS Ensemble | 0.6930 | | ||
| |**4th**| Cascade R-CNN Swin-T-Large 5fold(WBF) | 0.6881 | | ||
| |**5th**| Cascade R-CNN Swin-T-Large 5fold(WBF) + YOLOv8x 1fold | 0.6878 | | ||
|
|
||
| --- | ||
|
|
||
| > ## 최종 모델 | ||
| <p align = "center"> | ||
| <img height="400px" width="800px" src="https://github.com/boostcampaitech6/level2-objectdetection-cv-13/assets/78347296/9ed84f59-178b-4fad-844a-684a7b47557c"> | ||
| <p/> | ||
| ### K-fold Ensemble of Cascade R-CNN with Swin-Large Backbone + DINO with Swin-Large Backbone | ||
|
|
||
| - Swin-Large를 Backbone으로 사용한 Cascade R-CNN은 5개의 폴드로 나누어 WBF Ensemble을 진행하였습니다. | ||
|
|
||
| - Swin-Large를 Backbone으로 사용한 DINO는 Train set 전체를 사용하였습니다. | ||
|
|
||
| - 최종적으로 위 두 모델을 NMS Ensemble하였고, 그 결과 리더보드 Public mAP_50 0.7013, Private mAP_50 0.6850을 기록하였습니다. | ||
|
|
||
| --- | ||
|
|
||
| ## Team SMiLE | ||
|
|
||
| | | 김영일_T6030 | 안세희_T6094 | 유한준_T6106 | 윤일호_T6110 | 이재혁_T6132 | | ||
| |---| --- | --- | --- | --- | --- | | ||
| |Github|[](https://github.com/patrashu)|[](https://github.com/seheeAn)|[](https://github.com/lukehanjun)|[](https://github.com/yuniroro)|[](https://github.com/NewP1)| | ||
| |E-mail|[](mailto:[email protected])|[](mailto:[email protected])|[](mailto:[email protected])|[](mailto:[email protected])|[](mailto:[email protected])| |
Oops, something went wrong.