Open jae-heo opened 9 months ago
EDA -> 뇌EDA는 배터리가 문제일 줄 알았지만 ( 단순 데이터 수 ) 실제 추론시 문제는 General Trash (high std) battery의 경우 데이터의 수가 낮았지만, 모양이 거의 균일한 것과, focal loss로 커버되는 부분이 있어서 실제적으로 문제가 되지 않았던 느낌
실험한 모델 -> Cascade-RCNN, rtmdet, efficientdet, retina backbone -> swin, resnet 50 제작툴 -> NMS, Annotation, CSV merge, CSV validation, 사용 Framework -> mmdetection3
iou threshhold -> 낮게 설정해서 bbox가 많이 잡힐수록 mAP 50 스코어가 높게 나오는 경향이 있음 앙상블 시 nms 보다 wbf가 성능이 좋음. wbf의 thresh hold 적정값은 0.6이라는데, 그 이유는? 대부분 백본 모델보다 swin transformer를 적용했을때 좋은 성능. why? 몇몇 모델(DINO, Faster RCNN) 등은 학습 속도가 빠르고, 어떤 모델은 느린데 그 이유를 찾아봐야겠다. 실험의 경우 깃에서 관리하기가 곤란해서 wandb같은 플랫폼이 반드시 필요.
개요
모델 각자 해본 것 정리 backbone 변경시 더 small이 잘 잡혔다~ 어떤 모델이 더 특정한 class에 대해서 잘 잡은 것 같다?
EDA
기능 구현
앙상블
mAP50
협업
github 정리할 때 각자 config 파일 넣기
개요
실험
모델
아쉬운점
📌 Description
Wrap-up Report를 작성하기 위해 자신이 작성하고자 하는 내용을 댓글로 남겨주시면 좋을 것 같아요. 인당 하나의 댓글을 작성해주시고, Edit 기능을 통해 내용을 수정하는 방향으로 가볼까요?!
✅ CheckList