Project

    올바른 손 씻기 교육을 위한 손 씻기 단계 인식 모델

    Project Overview Purpose 실시간 영상에서 손 씻기 단계를 판별하고 정부 권장 손 씻기 6단계 지침을 수행할 수 있게 도와주는 서비스 기존의 rule-based 방식으로는 변수를 고려하기 어려운 문제(피부색, 촬영 환경, 개인마다 다른 손 모양 등)가 있어 다양한 데이터를 통해 학습된 딥러닝 모델로 문제 해결 아동 손 씻기 교육을 위한 스마트폰 애플리케이션이나 음식점, 병원, 공공장소 등에서 사용될 수 있는 손 씻기 검수 애플리케이션 등 다양한 분야에서 사용될 수 있음 Model Real Time Object Detection with YOLOv5 Model mAP50 YOLOv5s Batch Size 144 0.715 + Brightness Aug ↑ 0.7457 + Mosaic, M..

    눈바디 AI Challenge Wrap-up

    Project Outline Task 눈바디 사진을 이용해 각 신체 부위(body parts) 별로 Semantic Segmentation AI 모델 개발 Metric inference 방식으로 제출. 별도의 Public, Private 구분 없음. mIoU (Mean Intersection over Union) : 각 클래스 별 IoU를 계산하고, 이 값들의 평균을 구한다. Dataset "Dense coco2014 데이터 셋" 및 "Alchera에서 제공한 데이터 셋" 제공. 데이터 셋 labeling은 다음과 같다. (배경 - 0 / 몸통 - 1 / 오른손 - 2 / 왼손 - 3 / 왼발 - 4 / 오른발 - 5 / 오른쪽 허벅지 - 6 / 왼쪽 허벅지 - 7 / 오른쪽 종아리 - 8 / 왼쪽 종아..

    재활용 품목 분류를 위한 Semantic Segmentation 대회 Wrap-up

    Project Outline Task 재활용 품목 분류를 위한 Semantic Segmentation (https://stages.ai/competitions/78/overview/description) 쓰레기가 찍힌 사진에서 쓰레기를 Segmentation 하는 모델을 통한 분리수거 인공지능 만들기 Metric mIoU (Mean Intersection over Union) : 각 클래스 별 IoU를 계산하고, 이 값들의 평균을 구한다. Result Public : 0.779(mIoU), 19팀 중 6등 Private : 0.760(mIoU), 19팀 중 3등 Trial and Errors Augment 모델이 학습한 결과를 시각화하면서, 다양한 문제점을 발견했다. 그림자나 객체의 프린팅 된 그림에 의..

    재활용 품목 분류를 위한 Semantic Segmentation 대회 [3/3]

    Trial and Errors Ensemble 단일 모델 Ensemble 일반화를 높이기 위해서는 K-fold로 나뉜 valid를 앙상블 하는 방법이 가장 일반적이다. 하지만, 5번의 학습에 너무 많은 시간이 필요하여 다른 방법을 시도했다. 시간을 최소한으로 일반화를 높이기 위해서 먼저, Valid를 나누지 않은 데이터 셋을 이용하여 학습을 진행했다. Validation이 없기 때문에, 학습의 정도를 확인할 수 없고 이를 보완하고자 epoch과 seed를 기준으로도 앙상블을 진행했다. 결과적으로는 기존 성능보다는 근소하게 낮은 점수가 나왔다. 하지만, 실제로 시각화하여 확인한 결과로는 조금 깔끔한 결과를 확인할 수 있었다. 다른 모델과의 Ensemble 최종적으로 높은 성능을 보인 모델이, MMSegme..

    재활용 품목 분류를 위한 Semantic Segmentation 대회 [2/3]

    Trial and Errors Model SOTA 모델 사용하기 Semantic Segmentation 모델의 구조는 크게 FCN, Multi-scale, Encoder-Decoder, R-CNN, Attention, GAN 등으로 나뉜다. 이 중에서 나는 high-level API인 MMSegmentation를 활용해 최근의 SOTA 모델 위주로 실험을 진행했다. 이번 대회에서는 DeepLabv3+, HRNetV2+OCR, UperNet+Swin-B, Danet, DEiT, DNL 등 최대한 다양한 모델을 사용해서 이후 앙상블에 사용하고자 했다. 좋은 앙상블을 위해서는 어느정도 우수한 성능을 갖는 모델을 다양하게 가질 필요가 있다. 특히, Atrous Spatial Pyramid Pooling을 사용하..

    재활용 품목 분류를 위한 Semantic Segmentation 대회 [1/3]

    Competition Summary 재활용 품목 분류를 위한 Semantic Segmentation 쓰레기가 찍힌 사진에서 쓰레기를 Segmentation 하는 모델을 통한 분리수거 인공지능 만들기 더보기 분리수거는 이러한 환경 부담을 줄일 수 있는 방법 중 하나입니다. 잘 분리배출 된 쓰레기는 자원으로서 가치를 인정받아 재활용되지만, 잘못 분리배출 되면 그대로 폐기물로 분류되어 매립 또는 소각되기 때문입니다.여러분에 의해 만들어진 우수한 성능의 모델은 쓰레기장에 설치되어 정확한 분리수거를 돕거나, 어린아이들의 분리수거 교육 등에 사용될 수 있을 것입니다. 부디 지구를 위기로부터 구해주세요! 🌎 따라서 우리는 사진에서 쓰레기를 Segmentation하는 모델을 만들어 이러한 문제점을 해결해보고자 합니다...