**Goal :** 주어진 스케치 데이터를 활용하여 모델을 제작하고 제공된 테스트 세트의 각 이미지에 대해 올바른 레이블 예측
**Data :** 원본 ImageNet Sketch 데이터셋 중 상위 500개 객체(class)의 25,035개의 이미지 데이터 ## [1] Project Overview ### ⏲️ Timeline (09/03 - 09/26) 1. EDA 및 baseline code 분석 2. Baseline model 선정 3. Baseline model 일반화 성능 개선 4. 최종 결과 분석 ### 🥇 최종 결과
## [2] Environment - OS : Linux-5.4.0 - GPU : Tesla V100 (32GB) - Python Version: 3.10.13 - IDE: Visual Studio Code - Tool : Github, Slack, Notion, Zoom - Experiment Tracking: Weights and Biases (WandB) ## [3] File Tree ``` ├─.github ├─Models ├─ 0925_kfold_coatnet │ ├─ datasets │ │ ├─ custom_dataset.py │ │ └─ transform.py │ ├─ ensemble │ │ ├─ ensemble0.json │ │ └─ ensemble2.json │ ├─ ensemble.sh │ ├─ ex.sh │ ├─ exp │ │ ├─ exp0.json │ │ ├─ exp1.json │ │ ├─ exp2.json │ │ ├─ exp3.json │ │ └─ exp4.json │ ├─ inference.py │ ├─ inference.sh │ ├─ inference_ensemble.py │ ├─ main.py │ ├─ models │ │ └─ model_selector.py │ ├─ train.py │ └─ utils │ ├─ getPretrainedModels.py │ ├─ parameter.py │ ├─ train_utils.py │ └─ utils.py └─ 0926_ensemble ├─ datasets │ ├─ custom_dataset.py │ └─ transform.py └─ ensemble ├─ ensemble1.json └─ inference_ensemble.py ├─README.md ``` ## [4] Project Workflow 1. EDA 및 baseline code 분석 - 데이터는 Traindata 15,021개와 Private&Public Testdata 10,014개로 구성 - Traindata : 15021개의 항목과 3개의 컬럼(class_name, image_path, target)으로 구성 - Testdata : 10014개의 항목과 1개의 컬럼(image_path)으로 구성 - 500개의 클래스가 있고 각 클래스마다 29~31개의 데이터로 구성 - 분석한 데이터 특징 - 흑백 이미지가 많지만 컬러 이미지도 존재 - 스케치 선의 두께, 이미지 크기, 이미지의 해상도가 다양함 - 한 이미지 안에 여러 개체가 들어있는 이미지도 존재 - 정면, 측면 혹은 뒤집어진 이미지도 존재 - 기본 baseline_code 모델의 정확도는 약 68.4%로 확인 2. Baseline model 선정 - 다양한 backbone 모델 실험 후 최종적으로 가장 높은 88.3%의 public score를 달성한 **Coatnet_3_rw_224**를 baseline model로 선정 - 모듈화 및 협업 툴 추가 - Weights and Biases (WandB) 사용 - tmux 사용 - slack api 활용 모델 학습 완료 알림 자동화 4. Baseline model 일반화 성능 개선 1) Optimizer 2) Data Augmentation 3) Layer freeze 4) Dropout & Batch normalization 5) Loss 6) Learning rate scheduler 7) Progressive resizing (input size) 8) Failure Analysis 9) K-fold & Ensemble 4) TTA ## [5] Final Model Architecture