슬기로운 캠퍼생활

프로젝트 구조

image-classification-level1-25/
├── datasets/ *dataset.py
├── models/ *model.py
├── module/
├── save/
├── trans/ *trans.py
│
├── *train.py
├── *inference.py
├── *teameval.py
│
├── TTA_inference.py
├── TTA_teameval.py
│
├── origin_trainer.ipynb
│
└── evaluation.py

• '*' default code
• 각 폴더내에 실험용 code를 별도의 파일로 작성하여도 train.py에서 인자로 불러와 사용할수 있도록 구성하여 master branch의 간섭을 최소화 함
• module/ 학습과정 외에 부가적으로 필요한 기능들을 모아둔 폴더
• teameval.py 자체 검증용으로 미리 분리해 둔 데이터를 바탕으로 자체 평가를 하여 실제 Competition에 제출하기 전에 검증용으로 활용함
• TTA_*.py TTA를 통한 추론/검증 파일로 시간 문제로 default code에 통합되지 못했음
• train_cutmix.py cutmix를 활용한 학습 코드로 시간 문제로 default code에 통합되지 못했음
• origin_trainer.ipynb 초기에 쉬운 접근이 가능하도록 작성한 jupyter notebook 파일로 후반에는 상호작용이 필요한 작업에 활용됨
• evaluation.py 기본으로 제공된 코드이나 채점용 파일로 추측되고 Competition참가자가 사용할 필요는 없어보임
• wandb 접속을 위한 AUTH파일이 필요할 수 있음

명령어 샘플

• train

python train.py --name isgood --epoch 20 --model rexnet_200base --trainaug A_random_trans --criterion f1 --cutmix False
python train.py --name LambdaLR_cutmix --wandb_unique_tag LambdaLR_cutmix --trainaug A_cutmix_trans2 --epoch 10 --batch_size 64 --mode ALL --val_ratio 0.1 --cutmix True

• inference

python inference.py --save_dir ./save/test1 --model rexnet_200base

성능

• 단일모델 기준 rexnet_200base_corss_4epoch_sota_0.7249가 public leaderboard 기준 F1 0.7249를 기록하여 1위
• 위 모델에 softmax TTA를 적용한 모델이 private 성능이 가장 잘나왔는데 예상치 못한 결과라 save를 따로 저장하지 못하였음
• 자세한 정보는 report 및 save/ 디렉토리 내의 .log나 .config 파일 참조

Requirements

• python, numpy, pandas
• pytorch
• torchvision
• albumentations
• seaborn