Segmentation 대회 준비

라이브러리

Segmentation models

설치

!pip install git+https://github.com/qubvel/segmentation_models.pytorch

모델 불러오기

import segmentation_modesl_pytorch as smp

model = smp.Unet(
	encoder_name = 'efficientnet-b0",    
	encoder_weights = 'imagenet',     # use 'imagenet' pre-trained weights for encoder initialization
    in_channels = 3,     # model input channels (1 for gray-scale images, 3 for RGB)
    classes=10)     # model output channels (number of classes in your dataset)

이외에도 smp.UnetPlusPlus, smp.Manet, smp.Linknet, smp.FPN, smp.PSPNet, smp.PAN, smp.DeepLabV3, smp.DeepLabV3Plus 의 9가지 모델을 이용할 수 있다.

디버깅

실험을 시작하기 전, 실험 환경이 잘 설정되었는지 확인하자.
샘플링을 통해 데이터 셋의 일부분만 추출하고, epoch을 1~2 정도로 작게 설정하여 loss가 감소하는지 확인한다.

if CFG.debug:
	CFG.epochs=2
    train = train.sample(frac=0.05, random_state=CFG.seed).reset_index(drop=True)

seed 고정

모델의 성능을 비교할 때, 실험마다 성능이 달라지는 것을 방지하고 재생산하기 위해 seed를 고정해야 한다.

def set_seeeds(seed=42):
	random.seed(seed)
    os.environ['PYTHONHASHSEED'] = str(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    torch.backends.cudnn.deterministic = True
    
set_seeds()

또는 validation set의 seed 고정은 아래와 같이 할 수 있다.

from sklearn.model_selection import train_test_split
df_train, df_valid = train_test_split(label, test_size=0.2, random_state=42)