팀원: 김기수, 문채원, 안주형, 은의찬, 이재훈, 장지우

1. 프로젝트 개요

'쓰레기 대란', '매립지 부족'과 같은 여러 사회 문제를 해결하기 위한 정확한 분리수거를 돕기 위해 사진에서 쓰레기를 Detection 하는 모델을 만들어 이러한 문제점을 해결한다. 문제 해결을 위한 데이터셋으로 일반쓰레기, 종이, 종이팩, 금속, 유리, 플라스틱, 스티로폼, 비닐, 건전지, 의류로 구성된 총 10종류의 쓰레기가 찍힌 사진 데이터셋이 제공된다.

• Input : 쓰레기 객체가 담긴 이미지. bbox 정보(좌표, 카테고리)는 model 학습 시 사용된다.
  • 학습 데이터 format: COCO
• Output : 모델은 bbox 좌표, 카테고리, score 값을 리턴. 이를 submission 양식에 맞게 csv 파일로 제출한다.
  • 제출 format: Pascal VOC

프로젝트 구현 내용

• 데이터 전처리 및 증강
• 가설 설정 및 검증
• 모델 학습 및 평가

프로젝트 코드 구조도

├── dataset
    ├── train.json    # train image에 대한 annotation file (coco format)
    ├── test.json    # test image에 대한 annotation file (coco format)
    ├── train    # 4883장의 train image 존재
    └── test    # 4871장의 test image 존재

├── mmdetection2
│   ├── configs/trash/ # 데이터 증강 실험을 위한 configs 
│   ├── projects/configs/custom # CO-DETR 모델링을 위한 configs
│   ├── inference_wbf.py
│   ├── train.py
│   └── etc
├── mmdetection3
│   └── config files
├── Ultralytics
│   ├── RT_DETR.ipynb
│   ├── RT_DETR_WBF_infernece.ipynb
│   ├── Yolov11.ipynb
│   └── Yolov11_WBF_infernece.ipynb
├── data_split.py
├── eda.ipynb
├── visualization_data.ipynb
└── wbf.py

2. 팀 구성 및 역할

| 김기수 | - WandB 세팅

• 데이터 EDA, 가설 검증, 전처리, 증강
• Co-Dino_r50 모델 학습
• Weighted Box Fusion 구현 및 하이퍼파라미터 튜닝
• TTA 실험 | | --- | --- | | 문채원 | - train/val 데이터셋 분할
• detectron2, MMdetection, Ultralytics 모델 실험 | | 안주형 | - detectron2 모델 실험 및 데이터 증강 실험
• EDA 가설 설정 및 검증 | | 은의찬 | - detectron2, Ultralytics 모델 실험
• 데이터 EDA
• 서버 스케줄러 세팅 | | 이재훈 | - 데이터 EDA
• MMdetection, Ultralytics 모델 실험 | | 장지우 | - 데이터 EDA
• MMdetection, Ultralytics 모델 실험 |

3. 프로젝트 수행 절차 및 방법

• 개발 환경 : V100 GPU