level2_dataannotation_cv-level2-cv-11
프로젝트 개요
스마트폰으로 카드를 결제하거나, 카메라로 카드를 인식할 경우 자동으로 카드 번호가 입력되는 경우가 있습니다. 또 주차장에 들어가면 차량 번호가 자동으로 인식되는 경우도 흔히 있습니다. 이처럼 OCR (Optimal Character Recognition) 기술은 사람이 직접 쓰거나 이미지 속에 있는 문자를 얻은 다음 이를 컴퓨터가 인식할 수 있도록 하는 기술로, 컴퓨터 비전 분야에서 현재 널리 쓰이는 대표적인 기술 중 하나입니다.
(출처 : 위키피디아)
OCR task는 글자 검출 (text detection), 글자 인식 (text recognition), 정렬기 (Serializer) 등의 모듈로 이루어져 있습니다. 본 대회는 아래와 같은 특징과 제약 사항이 있습니다.
- 본 대회에서는 '글자 검출' task 만을 해결하게 됩니다.
- 예측 csv 파일 제출 (Evaluation) 방식이 아닌 model checkpoint 와 inference.py 를 제출하여 채점하는 방식입니다. (Inference) 상세 제출 방법은 AI Stages 가이드 문서를 참고해 주세요!
- Input : 글자가 포함된 전체 이미지
- Output : bbox 좌표가 포함된 UFO Format
프로젝트 팀 구성
| 류건 | 심건희 | 윤태준 | 이강희 | 이예라 |
|---|---|---|---|---|
 |
 |
 |
 |
 |
| Blog | Blog | Blog | Blog | Blog |
## 디렉토리 구조
```CMD
|-- README.md
|-- code
| |-- convert_mlt.py
| |-- dataset.py
| |-- detect.py
| |-- deteval.py
| |-- east_dataset.py
| |-- inference.py
| |-- inference_viz.py
| |-- loss.py
| |-- model.py
| |-- reproducibility.py
| |-- requirements.txt
| `-- train.py
`-- notebook
|-- FiftyOne.ipynb
|-- OCR_EDA.ipynb
|-- assert.ipynb
|-- convert_poly.ipynb
|-- ufo_split_dataset.ipynb
`-- utils
`-- ufo.py
```
## 프로젝트 수행 환경
모든 실험은 아래의 환경에서 진행되었다.
- Ubuntu 18.04.5 LTS
- Intel(R) Xeon(R) Gold 5120 CPU @ 2.20GHz
- NVIDIA Tesla V100-PCIE-32GB
## 타임라인
## 프로젝트 수행 절차 및 방법
[](https://excessive-help-ce8.notion.site/89fdd748c8f6465a9bb1775fa71040a8)
## 프로젝트 수행 결과
실험 종합 결과
dataset: ICDAR korea + boostcamp(검수)
image_size: 1024
crop: None
learning rate: 0.001
epoch:200
scheduler: steplr(100에서 0.0001로)
batch size: 8
Rotate: 10
optimizer: Adam
## 자체 평가 의견
**잘한 점**
- Github Convention을 정하여 협업 결과 공유 및 정리에 큰 도움이 되었다.
- Github 이슈, PR 등의 기능을 적극적으로 사용해보았다.
- 힘든 일정에도 서로를 격려하고 팀 분위기를 긍정적으로 유지하였다.
- 함께 디버깅하여 빠른 문제 대응을 할 수 있었다.
- Wandb를 사용하여 실시간 모니터링 및 팀원들과의 결과 공유가 용이했다.
- 문제 의식이나 issue들을 팀끼리 잘 공유하여 역할 분배를 잘 해내었다.
**아쉬운 점:**
- 추가한 코드에 대해 코드 내에서 설명이 부족했다.
- 모델 및 기법들에 대해 이론적인 공부와 결과분석이 부족했다.
- 대회 종료까지 Bounding Box의 크기, 비율을 고려하지 않은 데이터셋 분할을 사용해서 모델 학습과 검증이 잘 안되었다.
- augmentation 에 대한 실험이 부족했다.
- 팀원간의 방향성 공유가 부족했다.
- data 근거에 기반해서 실험계획이 수립되지 않았다.
- 재현성 결여, 데이터셋 노이즈로 인해 실험 결과를 잘 신뢰할 수 없었다.
- 사소한 버그들 때문에 실험, 검수 등에 문제가 있었다.
**개선할 점:**
- Commit하면 팀원들과 공유하기
- PM를 매일 돌아가면서 하기
- 실험 전에 브랜치를 파고 실험 후에 pull request하기
- 기능 구현하면 다같이 코드리뷰하고 Merge하기
---