Skip to content

Latest commit

 

History

History
196 lines (168 loc) · 8.91 KB

README.md

File metadata and controls

196 lines (168 loc) · 8.91 KB
Raw

Pstage_01_image_classification

팀원 소개

Getting Started

Dependencies

  • torch==1.7.1
  • torchvision==0.8.2

Install Requirements

  • pip install -r requirements.txt

Training

  • SM_CHANNEL_TRAIN={YOUR_TRAIN_IMG_DIR} SM_MODEL_DIR={YOUR_MODEL_SAVING_DIR} python train.py

Inference

  • SM_CHANNEL_EVAL={YOUR_EVAL_DIR} SM_CHANNEL_MODEL={YOUR_TRAINED_MODEL_DIR} SM_OUTPUT_DATA_DIR={YOUR_INFERENCE_OUTPUT_DIR} python inference.py

Evaluation

  • SM_GROUND_TRUTH_DIR={YOUR_GT_DIR} SM_OUTPUT_DATA_DIR={YOUR_INFERENCE_OUTPUT_DIR} python evaluation.py

파일별 세부 설명

구조

├── code
│   ├── jupyter_notebooks
│   │   ├── model_list.ipynb
│   │   ├── multi_inference.ipynb
│   │   └── sample_submission.ipynb
│   ├── delplustxt.txt
│   ├── requirements.txt
│   ├── terminal.txt
│   ├── datapreprocess.py
│   ├── dataset.py
│   ├── f1score.py
│   ├── inference.py
│   ├── loss.py
│   ├── model.py
│   ├── submission.py
│   ├── train-vit.py
│   └── train.py
└── input
    └── data
        ├── eval
        └── train

dataset.py : 데이터셋 함수 및 클래스 정의

  • function is_image_file(filename) : 이미지 파일 확인하는 함수

  • class BaseAugmentation : Resize, ToTensor, Normalize AddGaussianNoise : 이미지에 노이즈 추가 CustomAugmentation : CenterCrop((320, 256)) Resize() ColorJitter(0.1, 0.1, 0.1, 0.1) ToTensor() Normalize() AddGaussianNoise() MaskLabels : 마스크 착용 여부 label GenderLabels : 성별 label AgeLabels : 나이 label MaskBaseDataset : 마스크를 쓴 사람의 얼굴 이미지를 다루는 데이터셋을 구성 MaskSplitByProfileDataset : MaskBaseDataset 클래스를 상속받은 클래스로, 이미지 데이터셋을 프로필(person)을 기준으로 train과 validation으로 나누는 기능을 구현 TestDataset : Test 데이터셋 구성, transform: Resize, ToTensor(),Normalize

inference.py :

dataset.py의 함수를 import 해서 사용함

  • function load_model : 저장된 모델 파일을 로드하여 PyTorch 모델 객체를 반환하는 함수 inference : 모델을 사용하여 이미지를 추론하고, 추론 결과를 저장하는 함수

loss.py

  • class Focal Loss : 이진 분류와 다중 클래스 분류에서 불균형한 데이터셋에서 사용할 수 있는 손실 함수 클래스 LabelSmoothingLoss : Label Smoothing Loss를 구현한 pytorch 모듈 정답 라벨에 대한 확신을 줄이고, 모델이 더욱 일반화된 결정을 내릴 수 있도록 하는 클래스 F1Loss : F1 score에 기반한 loss function을 구현한 클래스

  • function criterion_entrypoint : 주어진 손실 함수 이름에 해당하는 생성 함수를 반환 is_criterion : 주어진 이름이 유효한 손실 함수 이름인지 확인 create_criterion : nn.CrossEntropyLoss, FocalLoss, LabelSmoothingLossm F1Loss로 손실 함수를 생성

model.py

  • class BaseModel : 기본 제공 baseline 모델 conv1-relu conv2-relu-maxpool conv3-relu-maxpool-dropout avgpool fc EfficientNetB3 : from efficientnet_pytorch, no freeze EfficientNetB4 : from efficientnet_pytorch, no freeze EfficientNetB5 : from efficientnet_pytorch, no freeze ResNet34 : from torchvision.models, no freeze ResNext50 : from torchvision.models, no freeze ResNext101 : from torchvision.models, no freeze Vgg19 : from torchvision.models, no freeze

train.py

dataset.py, loss.py의 함수를 import 해서 사용함

  • function seed_everything : 랜덤 시드 설정, 해당 값에 대한 동일한 seed 값으로 다시 실행해도 동일한 결과가 나오도록 보장함 get_lr : 현재 optimizer의 학습률(learning rate)을 반환하는 함수 grid_image : 입력으로 받은 이미지들을 그리드 형태로 시각화하는 기능을 수행합니다 increment_path : 경로명을 자동으로 증가시켜주는 함수 train : data_dir(데이터 경로), model_dir(모델 경로), args(인자)를 받아와서 모델을 학습하는 함수

프로젝트 진행 과정

  • Time-Line

협업 방식
- [1] 각 날짜마다 어떤 실험을 했고 어떤 결과가 있었는지 정리하여 Notion 페이지에 작성
- [2] 실험을 할 때 Wandb에 누가했는지 기록하도록 하여 서로의 실험 결과를 쉽게 비교 
- [3] 각자 아침마다 자신이 진행한 실험과 결과에 대해서 이야기해보는 시간을 가짐
- [4] 공동 Github에 메인 branch 이외 팀원 별 하나의 branch를 생성하고 각자 실험해본 뒤, 팀원들과 상의 후 Merge
- [5] 소스코드와 일정을 관리하는 PM을 정하여 팀원들이 원활하게 소통할 수 있도록 도움

최종 모델의 아키텍처 및 하이퍼파라미터

  • 2개(mask+gender , age)로 나누어 학습을 진행해주었다.

    병렬 모델 model dataset augmentation optimizer lr criterion epochs
    Mask+Gender EfficientNetB3_init MaskGenderDataset bestAugmentation AdamW le-5 cross_entropy 30(early stop cnt=3)
    Age EfficientNetB3 AgeDataset bestAugmentation Adam le-5 cross_entropy 20(early stop cnt=3)

최종 모델

  • 모델 구조


  • 모델 성능

팀원 및 역할

팀원 역할
전체 Wrap up report 작성, 실험 관리
김용우 code debugging, code implementation, outlier remove, weight normalization, Mask+Gender model experiment
박승희 팀내 의견 수집 및 의견 정리, 각 팀원 코드 모음 및 팀 실험 코드 관리, Age모델 실험
이다현 모델 리서치, data augmentation, 모델 성능 실험, Age 모델 실험
이상민 EDA, 데이터 시각화, 모델 앙상블, 병렬모델 실험, upsampling 실험
이윤표 data augmentation, lr, scheduler, optimizer, loss, 모델 성능 실험, wandb 연동, Mask+gender 모델 실험