2DBB Object‐Detection Pipeline (YOLOv5)

🏆 2023 인공지능 자율주행 알고리즘 챌린지 – 장려상

🔗 공모전 페이지: https://challenge2023.gcontest.co.kr/template/m/12709

프로젝트 소개

본 프로젝트의 목표는
도로 환경에서 차량, 보행자, 신호등 등 주변 객체를
빠르고 정확하게 인식하는 것입니다.

2D Bounding Box(2DBB) 데이터셋을 활용하여
YOLOv5 모델을 Fine-Tuning 했으며,
총 9종의 객체를 탐지하고 시각화했습니다.

자율주행 환경에서의 객체 인식을 가정한 프로젝트입니다.

데이터셋 요약

항목	내용
이미지 수	100,000
클래스 수	10 (이 중 9개 객체 탐지)
데이터 분할	Train : Val : Test = 8 : 1 : 1
포맷	COCO JSON (bbox)

클래스 구성

• car
• truck
• bus
• special_vehicle
• motorcycle
• bicycle
• pedestrian
• traffic_sign
• traffic_light
• none (평가 제외)

※ 실제 탐지 대상은 9개 클래스이며,
none 클래스는 평가에서 제외되었습니다.

데이터 구조

2DBB/
├── training/
│   ├── images/
│   └── labels/
├── validation/
│   ├── images/
│   └── labels/
└── test/
├── images/
└── labels/

전체 파이프라인

Dataset & DataLoader

• 이미지 로드 및 전처리
• JSON 라벨 파싱 및 bbox 좌표 보정
• YOLO 형식(x_center, y_center, w, h) 변환
• 가변 bbox 개수를 batch 단위로 처리

YOLOv5 커스터마이징

데이터셋에 맞게 YOLOv5를 수정하여 사용했습니다.

주요 변경 사항:

• 클래스 수 조정 (80 → 10)
• 고정 앵커 사용
• 학습 시 gradient 유지
• Loss 가중치 재조정
• 한글 클래스 시각화 지원

Pretrained backbone은 유지하고
Detection head만 데이터셋에 맞게 수정했습니다.

학습 설정

• Optimizer: AdamW
• Learning rate: Cosine scheduler
• Epochs: 35
• Mixed Precision 학습 적용
• GPU 메모리 사용량 약 6GB

성능

Metric	Validation	Test
Precision	0.71	0.68
Recall	0.45	0.30
mAP@0.5	0.56	0.49
mAP@0.5:0.95	0.32	0.29

※ 전체 데이터 중 10,000장 기준 실험 결과입니다.

탐지 결과 예시

수상 내역

구분	상금	수상 팀
최우수상	300만원	1팀
우수상	200만원	1팀
장려상	100만원	2팀

본 프로젝트는 장려상을 수상했습니다.

사용 기술

• PyTorch
• YOLOv5
• COCO format dataset
• Mixed Precision Training

참고

• YOLOv5 ‑ Ultralytics
• 공모전 데이터 가이드