Faster RCNN(detectron2)에 기법 적용 실험

[minakusi]

세부 설명

• Detectron2 사용
• AMP Trainer 사용
• Resize (512, 512)
• anchor: sizes=(32, 64, 128, 256, 512), aspect_ratios=(0.5, 1, 2)
• max_iter: 107000
• score threshold: 0.1
• sampler: "RepeatFactorTrainingSampler"

해야 하는 것

• [x] 대조군 mAP
• [x] multiscale mAP
• [x] backbone 바꾸고 mAP
• [x] anchor 비율 바꾸고 mAP

목표

• 어떤 기법을 도입했을 때 가장 높은 성능의 상승이 일어나는지를 보는 것.

[minakusi]

대조군:

[minakusi]

대조군:

점수가 전에 그냥 쌩자 baseline 돌렸을 때보다 절반 이하로 떨어져서 무슨 일인지 알아봐야 한다.

[minakusi]

전에 EDA했을 때 가장 높은 비율을 보였던 raio인 1.25를 1대신 넣고 실험:

[minakusi]

전에 EDA했을 때 가장 높은 비율을 보였던 raio인 1.25를 1대신 넣고 실험:

오히려 대조군보다 점수가 떨어졌는데, 이유는 잘 모르겠다.

[minakusi]

backbone모델을 swin_tiny로 바꾸고 실험(iter 42800):

[minakusi]

backbone모델을 swin_tiny로 바꾸고 실험:

ResNet보다는 SwinTransformer가 훨씬 feature를 잘 추출한다는 것을 느낄 수 있다.

[minakusi]

cfg.INPUT.MIN_SIZE_TRAIN = (512, 608, 704, 736, 832, 864, 960, 992, 1056, 1088, 1152, 1184, 1248, 1280) 를 추가:

[minakusi]

cfg.INPUT.MIN_SIZE_TRAIN = (512, 608, 704, 736, 832, 864, 960, 992, 1056, 1088, 1152, 1184, 1248, 1280) 를 추가:

성능이 오히려 대조군보다 하락했고, train 시간도 딱히 늘어나지 않는 것으로 보아, 한 이미지 당 저 size를 다 하는게 아니라, 한 이미지 당 사이즈를 저 중에 하나를 골라 scale하고 하는 용도인가 보다.
multi scale training을 하려면 train 파일에 좀 더 코드를 추가해주어야 하나보다 어떻게 하지...

[minakusi]

각각의 이미지에 대해 랜덤으로 resize를 하게만드는 것으로 훈련 (모든 크기에 대해 training 하지는 않음.): 대조군보다 성능이 미세하게 증가했다.

[j8n17]

cfg.INPUT.MIN_SIZE_TRAIN = (512, 608, 704, 736, 832, 864, 960, 992, 1056, 1088, 1152, 1184, 1248, 1280) 를 추가:

성능이 오히려 대조군보다 하락했고, train 시간도 딱히 늘어나지 않는 것으로 보아, 한 이미지 당 저 size를 다 하는게 아니라, 한 이미지 당 사이즈를 저 중에 하나를 골라 scale하고 하는 용도인가 보다. multi scale training을 하려면 train 파일에 좀 더 코드를 추가해주어야 하나보다 어떻게 하지...

알아보니까 _C.INPUT.MIN_SIZE_TRAIN_SAMPLING = "choice" 를 사용하면 random과 choice 둘 중 하나를 사용할 수 있다고 하네요 디폴트값이 뭔지는 모르겠어요