p stage 2 - recycling trash object detection 회고글

먼지감자·2021년 10월 25일
0

AI Boostcamp 2기

목록 보기
38/48

Boostcamp 두번째 Pstage. recycling trash object detection 대회를 끝마치고 아쉬웠던 점과 잘한 점에 대해 회고하는 글.
나혼자 알고 있어도 되지만 남들도 본다는 생각을 하면 다음 대회에 더욱 발전할 수 있기에,,,
난 성장하는 괴물이니까 ^.^ 성괴먼지감자~

1. 이번 프로젝트에서 목표

Object Detection 문제 해결 경험, git을 이용한 협업 경험

2. 학습목표를 달성하기 위해 한 것

  • mmdetection library 사용, git flow로 협업

3. 어떤 방식으로 모델을 개선했는가

1) Detector 와 Backbone변경하며 실험 [Detector | Backbone]

  • [ Faster R-CNN | pvt v2, swin Transformer ]
  • [ RetinaNet | Resnet50 ]

2) Image scale, augmentation, backbone 크기 변경하며 실험

3) Stratified Group K-fold 학습

4. 새롭게 시도한 변화와 그 효과

1) Git flow를 이용한 협업

  • git flow를 이용하여 master, develop, feature 브랜치를 만들어 협업을 진행
  • 다른 사람의 코드와 실험 방향을 알 수 있었음
  • git을 이용한 체계적인 협업을 경험

5. 마주한 한계, 아쉬웠던 점

1) 꼼꼼한 EDA를 하지 않아 데이터에 대한 이해 부족
2) Mmdetection로 실험 시 간단한 Config 변경만 시도하여 실험 방법의 한계 및 library에 대한 이해 부족
3) YOLOv5, EfficientDet 과 같이 mmdetection 이외의 1 stage detector 실험 안함
4) 새로운 모델이나 기법 적용 시 해당 모델과 방법에 대한 이해 부족
5) Random sampling한 validation set 사용 – CV 전략이 public leader board였음

6. 한계/교훈을 바탕으로 다음 P-Stage에서 새롭게 시도해볼 것

1) EDA 꼼꼼하게 해서 데이터 특징에 기반한 실험 계획 세우기
2) Config 만 변경하는 수준 말고 직접 코드를 구현해서 module 등록 등의 방법 구현해서 적용해보기
3) Library에 국한되지 않은 다양한 방법론 사용해보기
4) 모델과 기법의 원리와 동작방식을 제대로 이해하여 실험해보기
5) Private Leader Board 점수 향상을 위한 CV전략에 맞는 Validation set 구성하기

7. 느낀점

이번 대회는 개인적으로 아쉬움이 남는 대회였습니다. 저는 모델과 동작방식에 대한 정확한 이해는 대회가 끝난 후에 하고, 대회 도중에는 여러가지 방법을 적용해보기로 했습니다. 하지만 사용하는 모델과 기법에 대한 정확한 이해가 없으니 학습 결과를 분석하여 다음 실험을 하는 과정에 어려움을 느꼈습니다. 즉 실험에 대한 가설이 없고 무작위적인 실험만 반복한 것이 아쉬웠습니다. 다음 대회에는 이 점을 보완하고 싶습니다.
대회를 진행하며 얻은 것은 git flow를 이용하여 현업에서처럼 협업을 하는 경험입니다. git을 이용한 협업 역량을 기를 수 있었던 매우 좋은 경험이었습니다.

profile
ML/AI Engineer

0개의 댓글