[AI Tech 3기 Level 2 P Stage] Object Detection

ConVinsight 🧑‍💻

Convenience + Insight : 이용자의 편의를 찾는 통찰력

Member

Wrap Up Report 📑

💻 Object Detection Wrap Up Report.pdf

Final Score 🏆

• Public mAP 0.7221 → Private mAP 0.7101
• Public 4위 → Private 4위

Competition Process 🗓️

Time Line

Project Outline

Data

• [x] Data EDA
• [x] Data Argumentation
• [x] Multilabel Stratifiedkfold
• [x] Oversampling Model
• [x] Cascade RCNN with Various Backbone
• [x] YOLO (v5, R)
• [x] Soft NMS, NMS
• [x] GIoU, DIoU, CIoU Ensemble
• [x] Ensemble (WBF)
• [ ] Classfication
• [x] tile

Folder Structure 📂

📂 detection/
│
├── 📂 baseline
│      │ 
│      ├── 📂 Swin_Transformer_Object_Detection
│      │    └── 📂 configs
│      │    └── 📂 p-stage
│      │         ├── 📂 __base__
│      │         │    ├── 📑 cascade_rcnn_swin_Base_fpn.py
│      │         │    └── 📑 cascade_rcnn_swin_Large_fpn.py
│      │         └── 📑 setup.py
│      │ 
│      ├── 📂 custom_configs
│      │    └── 📂 CNN
│      │         └── 📑 detectors_cascade_rcnn_resnext101_fpn.py
│      │ 
│      ├── 📂 efficientdet
│      │    └── 📂 effdet
│      │         ├── 📂 data
│      │         │    ├── 📑 dataset_config.py
│      │         │    └── 📑 transforms.py
│      │         └── 📑 train.py
│      │ 
│      ├── 📂 utils
│      │    ├── 📂 Compute_mean_std
│      │    ├── 📂 EDA
│      │    ├── 📂 EfficientDet_utils
│      │    ├── 📂 K-Fold
│      │    ├── 📂 inference
│      │    ├── 📂 multilabel_Kfolds
│      │    ├── 📂 oversampling
│      │    ├── 📂 pseudo_label
│      │    ├── 📑 csv2json.py
│      │    └── 📑 label_cleansing.py
│      │ 
│      ├── 📂 yolodata
│      ├── 📂 yolor
│      └── 📂 yolov5
│           ├── 📂 models
│           │    └── 📑 yolo.py
│           ├── 📂 utils
│           │    └── 📑 augmentations.py
│           ├── 📑 inference.py
│           └── 📑 train.sh
│      
└── 📂 dataset