마스크 착용 상태 분류

사람의 사진을 입력으로 받아 마스크의 유무, 나이, 성별을 18개의 클래스로 분류하는 이미지 분류 Task

• input : 마스크 착용 사진, 미착용 사진, 혹은 이상하게 착용한 사진(코스크, 턱스크)

• output : 총 18개의 class를 예측해야합니다. 결과값으로 0~17에 해당되는 숫자가 각 이미지 당 하나씩 나와야합니다.

  Class	Mask	Gender	Age
  0	Wear	Male	<30
  1	Wear	Male	>=30 and <60
  2	Wear	Male	>=60
  3	Wear	Female	<30
  4	Wear	Female	>=30 and <60
  5	Wear	Female	>=60
  6	Incorrect	Male	<30
  7	Incorrect	Male	>=30 and <60
  8	Incorrect	Male	>=60
  9	Incorrect	Female	<30
  10	Incorrect	Female	>=30 and <60
  11	Incorrect	Female	>=60
  12	Not Wear	Male	<30
  13	Not Wear	Male	>=30 and <60
  14	Not Wear	Male	>=60
  15	Not Wear	Female	<30
  16	Not Wear	Female	>=30 and <60
  17	Not Wear	Female	>=60

• metric : f1-score

Dataset

• 전체 사람 명 수 : 4,500

• 한 사람당 사진의 개수: 7 [마스크 착용 5장, 이상하게 착용(코스크, 턱스크) 1장, 미착용 1장]

• 이미지 크기: (384, 512)

Code

Files

• dataset.py

  • 마스크 데이터셋을 읽고 전처리를 진행한 후 데이터를 하나씩 꺼내주는 Dataset 클래스를 구현한 파일입니다.

  • 이 곳에서, 나만의 Data Augmentation 기법 들을 구현하여 사용할 수 있습니다.

• loss.py

  • 이미지 분류에 사용될 수 있는 다양한 Loss 들을 정의한 파일입니다

  • 이외에, 성능 향상을 위한 다양한 Loss 를 정의할 수 있습니다.

• model.py

  • 데이터를 받아 연산을 처리한 후 결과 값을 내는 Model 클래스를 구현하는 파일입니다.

  • 이 곳에서, 다양한 CNN 모델들을 구현하여 학습과 추론에서 사용할 수 있습니다.

• train.py

  • 실제로, 마스크 데이터셋을 통해 CNN 모델 학습을 진행하고 완성된 모델을 저장하는 파일입니다.

  • 다양한 hyperparameter 들과 커스텀 model, data augmentation 등을 통해 성능 향상을 이룰 수 있습니다.

• inference.py

  • 학습 완료된 모델을 통해 test set 에 대한 예측 값을 구하고 이를 .csv 형식으로 저장하는 파일입니다.

• f1.py

  • f1 스코어를 계산하는 파일입니다.

Install Libraries

pip install -r requirements.txt

Trainng

python train.py

• 기본으로 설정된 hyperparameter로 train.py 실행합니다.

Inference

python inference.py --model_dir=./results/checkpoint-500

• 학습된 모델을 추론합니다.

• 제출을 위한 csv 파일을 만들고 싶은 model의 경로를 model_dir에 입력해 줍니다.

• 오류 없이 진행 되었다면, submission.csv 파일이 생성 됩니다.

Competition

Final Score

Work flow

Model	Tecnics	F1-Score
resnet	params not tuned	0.39
vgg19	params not tuned	0.50
vgg19	params tuned	0.51
vgg11	params tuned	0.56
efficientnet_b4	params not tuned	0.60
efficientnet_b4	params tuned, weighted sample	0.62
efficientnet_b4	params tuned, weighted sample, focal	0.63
efficientnet_b4	params tuned, loss weight, focal, augmentation	0.71
ensemble	efficientnet_b4, vgg11, resnet	0.73

References