국방 AI 경진대회 코드 사용법

• MMC_Lab팀, 박성욱, 문희찬, 이승리, 임수빈
• 닉네임 : 욱스박스,무니무니찬,victory,teol
• 최종 순위 : 9등

핵심 파일 설명

• 학습 데이터 경로: ./data
• Network 초기 값으로 사용한 공개된 Pretrained 파라미터: architecture: DeepLabV3Plus encoder: resnext50_32x4d encoder_weight: imagenet (대회에서 제공한 baseline 코드에서 train.yaml 파일의 세팅사항)
• 공개 되어있는 Pretrained 모델 기반으로 추가 Fine Tuning 학습을 한 파라미터 3개
  • ./results/train/20221110_072024/model.pt
  • ./results/train/20221114_101319/model.pt
  • ./results/train/20221114_142823/model.pt
• 학습 실행 스크립트: python train.py
• 학습 메인 코드: ./train.py
• 테스트 실행 스크립트: python predict.py
• 테스트 메인 코드: ./predict.py
• 테스트 이미지, 마스크 경로: ./data/test
• 테스트 결과 이미지 경로: ./results/pred/20221110_072024/final_pred/mask

코드 구조 설명

• segmentation-models-pytorch library 사용(ensemble한 모든 모델 동일)

  • 최종 사용 모델 :
    • architecture: DeepLabV3Plus
    • encoder: resnext50_32x4d
    • encoder_weight: imagenet
  • data augmentation 추가(train.py에 추가)

  ./results/train/20221110_072024/model.pt 모델 학습 시 
  
  aug = A.Compose([
      A.augmentations.transforms.PixelDropout(p=0.3),
      A.VerticalFlip(p=0.5),
  ])
  val_aug = A.Compose([
      A.VerticalFlip(p=0.5,always_apply=False)
  ])
  

  ./results/train/20221114_101319/model.pt 모델 학습 시 
  
  aug = A.Compose([
      A.augmentations.transforms.Downscale(scale_min=0.15, scale_max=0.15,p=0.3),
      A.augmentations.transforms.PixelDropout(p=0.3),
      A.VerticalFlip(p=0.5),
  ])
  val_aug = A.Compose([
      A.VerticalFlip(p=0.5,always_apply=False)
  ])
  

  ./results/train/20221114_142823/model.pt 모델 학습 시 
  
  aug = A.Compose([
      A.RandomContrast(p=0.3),
      A.augmentations.transforms.Downscale(scale_min=0.15, scale_max=0.15,p=0.3),
      A.augmentations.transforms.PixelDropout(p=0.3),
      A.VerticalFlip(p=0.5),
  ])
  val_aug = A.Compose([
      A.VerticalFlip(p=0.5,always_apply=False)
  ])
  

• 최종 제출 파일 : final_pred_mask.zip

• 학습된 가중치 파일 : 핵심파일 설명부분에 기재된 세개의 파라미터와 동일

주요 설치 library

• torchmetrics==0.10.2
• torch==1.13.0
• torchvision == 0.14.0
• mmcv-full==1.6.0
• segmentation-models-pytorch==0.3.0
• opencv-python==4.6.0.66
• numpy==1.23.4

실행 환경 설정

• 소스 코드 및 conda 환경 설치

  unzip mmc_lab.zip -d mmc_lab_code
  cd ./mmc_lab_code
  
  conda env create -n aiconnect
  conda activate aiconnect
  pip install -r requirements.txt
  

학습 실행 방법

• 학습 데이터 경로 설정

  • 위의 실행 환경 설정을 하면 따로 학습 데이터 경로 설정 필요 없음

• 학습 스크립트 실행

  python train.py
  

테스트 실행 방법

• 테스트 스크립트 실행

  python predict.py
  
  # 상기의 3가지 추론 결과를 Pixel-wise Averaging 처리하여 최종 detection 결과 생성
  python predict_en.py