AjouDeeplearning Compete

파일 경로

Anomaly Detection Competition
│   README.md
│   아주딥러닝대회.pptx
│
└───history
│   │   baseline_CNN.ipynb
│   │   baseline_CNN_center(25.2%  3th).ipynb
│   │   baseline_CNN_center(acc 20%, 2th) .ipynb
│   │	...
│  
│
└───models
│   │	00-20-13-eff4.pth
│   │	00-36-21-eff3.pth
│   │	...
│
└───src
│   │	ops.py
│   │	autoaugment.py
│   │	Train.ipynb
│   │	Tune.ipynb
│   └──	inference_code.ipynb
│
└───img
│   └──	score.png
│
└───input
    │	label_info.txt
    └──	sample_submission.csv

대회 설명

Flower299 dataset에서 crop된 이미지와 noisy가 있는 데이터를 분류하는 대회다. 데이터를 보면 label이 잘못 분류되어 있다. 50 class를 분류하는 vision 대회였다.

대회 경로

모델 요약

• Data Augmentation flip, flop, crop 등 다양한 augmentation을 적용했다. 그중에서 mix up augmentation이 가장 좋은 효과를 냈다.
• Model efficientNet 사용. OOM 문제로 인해 efficientNet B7을 사용하지는 못했지만 deep한 모델일수록 정확도 향상을 보였다.

사용법

• 학습시 모든 파일을 clone후 적절한 src/Train.ipynb 파일에 있는 경로를 바꾸면 된다.(데이터셋은 위에 경로에서 다운)

• 모델 평가시 src/Train.ipynb 파일에서 경로 변경 후 사용한다. 여기에 있는 모델을 사용할 경우 models에 있는 파일을 다운받아 사용하면 된다.

느낀점

대회를 진행하면서 불가능한 분야가 아니라는 것을 느꼈다. 기존까지 대충 뜻만 알았지 자세히 혹은 활용하는 방법이 몰랐던 것들이 많았다. 하지만 이후 내가 어떤걸 공부하고 무엇이 있는지 느끼게한 가장 큰 대회인 거 같다. 이 대회를 위해 100번 넘게 코드를 학습시켜 제출했다. 남들보다 많은 제출 횟수가 내가 얼마나 많은 걸 시도하고 배웠는지 느끼게 해준다. 깊게는 몰랐지만 깊게 공부할 수 있다는 가능성을 보인 대회였다. 나중에 파일 정리 방법을 알게되고 다양한 모델을 사용하는 방법을 알게되면 다시 수정해보며 이 대회를 다시 공부해볼 것이다.

결론

<private 4th Excellence Award>

Reference

dacon
Content about noise dataset
paper about noise dataset
mix up code
Pytorch cosineannealingwithwarmup code
Pytorch Seed everything
Bag of tricks for image classification