level1-image-classification-level1-recsys-06

RecSys 6조

강영석, 김예지, 박정규, 이호진, 홍수연

1.프로젝트 개요

목록	내용
프로젝트 주제	마스크 착용 상태 분류
프로젝트 개요	마스크의 착용 상태(wear, incorrect wear, not wear), 성별(male, female), 연령대(30세 미만, 30세이상 60 세미만, 60세이상)를 결합하여 18 개 class를 구성하고, 이를 image classification합니다.
개발 환경	IDE : VSCode 협업 Tool : GitHub Library : pytorch, torchvision, pandas, matplotlib,nni, sklearn

프로젝트 구조 및 사용 데이터셋의 구조도

├── input// the data

│ ├── eval

│ │ ├──images

│ │ └──info.csv

│ └── train

│ ├──images

│ └──train.csv

├── baseline // here we create our models

│ ├── nni

│ ├── dataset.py

│ ├── earlystopping.py

│ ├── ensemble.py

│ ├── inference.py

│ ├── loss.py

│ ├── model.py

│ ├── requirements.txt

│ ├── README.md

│ ├── sample_submission.ipynb

│ └── train.py

├── EDA.ipynb

└── img_cl_mask.ipynb|

2. 프로젝트 팀 구성 및 역할

• 강영석 : pretrained model추가, k-fold validation 적용, randaugment 적용
• 김예지 : augmentation(albermentation) 적용 및 loss 수정
• 박정규 : mixup 기법(target:60세 이상 데이터)을 사용한 augmentation 적용
• 이호진 : pretrained model 추가, ensemble 추가, early stopping 추가, nni를 사용한 auto ml 추가
• 홍수연 : preprocessing, augmentation(data generation)

3. 프로젝트 수행 절차 및 방법

• 프로젝트를 진행하기 위한 환경을 세팅하고, EDA, Augmentation을 거친 후, model을 선정하여 Hyperparameter를 수정해가며 성능 비교

4. 프로젝트 수행 결과

EDA

• 성비 : 여자 60%, 남자 40%로 여성의 비율이 약간 높음
• 비율이 낮은 연령대 : 전체적인 연령대 비율은 30~45세 구간의 데이터 분포가 낮음
• 비율이 높은 연령대 : 50~60세 구간의 데이터 분포가 가장 높음
• 클래스로 구분했을 때 50~60세의 비율 덕분에 >= 30 and < 60 클래스의 비율이 높음

Preprocessing, Data Generation

• Preprocessing : CenterCrop, Normalize 적용
• Augmentation : training 영상에 flip, jitter, Gaussian noise를 random하게 적용
• Data Generation : 60세 이상 label 추출하여 변형 영상 생성 및 데이터셋 추가
• albermentation 라이브러리 적용

CoarseDropout, RandomBrightnessContrast, GridDistortion, OpticalDistortion, ChannelShuffle, Gaus
sNoise, GaussianBlur, GlassBlur, MedianBlur, MotionBlur, RGBShift

• mixup(data augmentation) : 60세 이상 사진을 다른 class의 사진과 mix

K-fold validation 적용

• 원하는 개수 만큼 split해서 train과 validation을 나눠서 학습시킬 수 있도록 구현

Ensemble

• 2~4개의 모델들을 합쳐서 학습할 수 있도록 구현 & 한개의 모델을 여러 개를 돌린 결과를 soft voting 방식으로 구현

Early stopping

• 주어진 patience 만큼 val loss 가 증가 하지 않는 다면 과적합이 예상됨으로 학습을 중지 시킬 수 있도록 구현

nni Auto

• nni를 사용하여 자동적으로 최적의 param을 찾는 실험을 간편하게 할 수 있도록 함

Loss 수정

• CrossEntropyLoss에 weight를 적용
• Class-balanced Loss, Focal Loss 적용

○ 최종 모델 선정 및 분석

1. 아키텍처 : Resnet34 (pre-trained model)
2. LB 점수(최종) : f1 score – 0.7097, accuracy – 78.
3. Data preprocessing : HorizontalFlip
4. img_size = 512 X 384
5. 추가 시도 : CrossEntropyLoss에 weight 적용, 모든 데이터를 train data로 활용