[P-Stage] Image Classification

마스크 착용 상태 Image Classification

Naver Boostcamp AI Tech 팀 프로젝트 입니다.

Table of Content

• Competition Overview
• Data Definition
• Evaluation Method
• Usage
• Competition Result
• Archive Contents
• Source Code

Competition Overview

• COVID-19의 확산으로 전 세계 사람들은 경제적, 생산적인 활동에 많은 제약을 가지게 되었습니다.
• 이에, 우리나라는 COVID-19 확산 방지를 위해 제도적으로 많은 노력을 하고 있습니다.
• COVID-19의 치사율은 다른 전염병과 달리 비교적 낮은 편에 속하나, 강력한 전염력을 가지고 있습니다.
• 감염자의 입, 호흡기로부터 나오는 비말, 침 등으로 인해 쉽게 전파가 될 수 있기 때문에 마스크로 코와 입을 가려서 혹시 모를 감염자로부터의 전파 경로를 원천 차단하는 것입니다.
• 이를 위해 사람들은 반드시 마스크를 착용해야 할 필요가 있으며, 마스크 착용 상태를 검사하기 위해서는 추가적인 인적자원이 필요할 것입니다.
• 따라서, 우리는 카메라로 비춰진 사람 얼굴 이미지 만으로 이 사람이 마스크를 쓰고 있는지, 쓰지 않았는지, 정확히 쓴 것이 맞는지 자동으로 가려낼 수 있는 시스템이 필요합니다.
• 이 시스템을 통해 적은 인적자원으로도 충분히 검사가 가능할 것입니다.

Data Definition

• 사람 이미지에 대하여, 마스크를 착용하였는지, 이상하게 착용하였는지, 미착용하였는지에 확인
• 전체 사람 데이터셋의 60%는 학습 데이터 셋으로 활용
• Input
  • 이미지 크기 : h , w = ( 512 , 384 )
  • 사람의 얼굴 이미지
• Output
  • 18개의 클래스 ( 마스크 착용여부, 성별, 나이 총 3개의 조합)

    class	mask	gender	age
    0	Wear	Male	<30
    1	Wear	Male	>=30 and <60
    2	Wear	Male	>=60
    3	Wear	Female	<30
    4	Wear	Female	>=30 and <60
    5	Wear	Female	>=60
    6	Incorrect	Male	<30
    7	Incorrect	Male	>=30 and <60
    8	Incorrect	Male	>=60
    9	Incorrect	Female	<30
    10	Incorrect	Female	>=30 and <60
    11	Incorrect	Female	>=60
    12	Not wear	Male	<30
    13	Not wear	Male	>=30 and <60
    14	Not wear	Male	>=60
    15	Not wear	Female	<30
    16	Not wear	Female	>=30 and <60
    17	Not wear	Female	>=60

Evaluation Method

• 결과에 대한 평가는 F1 Score 를 통해 진행합니다.
• F1 Score

Competition Result

• Public LB
  • F1 Score : 0.716
  • Accuracy : 77.508

Usage

Install Requirements

# pip install -r requirements.txt

train.py

# SM_CHANNEL_TRAIN=[train image dir] SM_MODEL_DIR=[model saving dir] python train.py [parser]

• parser

  • --seed : 난수 추출시 seed 값 설정

  • --epoch : epoch 수 설정

  • --dataset : dataset.py내의 사용할 class 설정

  • --augmentation : dataset.py내의 사용할 aumentation class 설정

  • --resize : resize할 이미지 크기 설정

  • --batch_size : batch size 설정

  • --valid_batch_size : validation batch size 설정

  • --model : model.py에서 사용할 model class 설정

  • --optimizer : torch.optim중 사용할 optimizer 설정

  • --lr : learning rate 설정

  • --val_ratio : validation으로 나눌 비율 설정

  • --criterion : loss.py에서 사용할 criterion 설정 회귀 모드에서는 reg 사용

  • --lr_decay_step : learning rate decay를 진행할 단위 step 설정

  • --log_interval : loss와 accuracy를 출력, logger에 저장할 interval(간격) 설정

  • --name : model이 저장될 directory 이름 설정

  • --patience : validation loss가 증가하는 것을 용인할 횟수

  • --mode : 학습 모델의 종류 설정 (회귀, 분류)
    --> 기본값은 분류이며 회귀 모드로 변경 시 --criterion reg 와 함께 사용합니다.

  • --data_dir : 불러올 이미지 데이터셋의 경로 설정

  • --model_dir : model이 저장될 전체 경로 설정

inference.py

# SM_CHANNEL_EVAL=[eval image dir] SM_CHANNEL_MODEL=[model saved dir] SM_OUTPUT_DATA_DIR=[inference output dir] python inference.py [parser]

• parser
  • --batch_size : batch size 설정
  • --resize : resize할 이미지 크기 설정
  • --model : model.py에서 사용할 model class 설정
  • --mode : 불러올 모델의 종류(회귀, 분류) 설정
  • --data_dir : 불러올 이미지 데이터셋의 경로 설정
  • --model_dir : best 모델의 경로 설정
    --> 회귀 모드 사용 시 회귀 모델의 경로로 설정해야합니다.
  • --output_dir : output csv를 저장할 경로 설정

Archive Contents

image-classification-level1-03/
├──dataset.py
├──efficientnet.py
├──evaluation.py
├──inference.py
├──loss.py
├──model.py
├──README.md
└──train.py

Source Code

• dataset.py : 이미지 전처리 수행
• efficientnet.py : EfficientNet 모델 파일
• loss.py : Loss 관련 모듈
• model.py : 모델 생성
• train.py : 학습에 필요한 파라미터 설정 및 validation
• inference.py : test 이미지에 대한 라벨링 및 csv 파일 생성