1. 강의

2. 피어세션

  • checkpoint=dict(type=’CheckpointHook’, save_best=[‘coco/bbox_mAP_50’], interval=1, max_keep_ckpts=3), 이걸로 체크포인트 가장 좋은것만 저장 확인해보기
  • fold5로 만들어서 첫 세트로 실험해보고 결과 좋으면 나머지도 다 돌려보기
  • 3232미만 -> 스몰, 그 이상 - 9696미만 -> 미디움, 그 이상 ->라지
  • 작은애에 집중하지말고(어차피 적음) 잘 분류 못하는 클래스를 찾아서 걔에 집중하자
  • 스트림릿 어노테이션 된 이미지만 보이게 하자
  • 스트림릿에 해당 클래스 어노테이션이 있는 이미지만 볼 수 있게 하자
  • 배터리를 생각보다 잘 찾는다
  • custom_hooks = [ dict(type=”FreezeLayersHook”, frozen_layer=[“backbone”], open_layers=None, interval=1) ] 이걸로 freeze 해보기

3. 회고

  • 과제를 해보겠습니다
  • 작은 객체만 들어있는 json파일 만들어보기 챌린지
  • 스몰박스 몇 갠지 빅 박스 몇 갠지
  • 작은 객체가 포함되어있는 이미지에서 작은 어노테이션만 남도록
  • 스몰 미디움 라지 박스 정해서 json 만들 수 있도록
  • 스몰 폴드 만들기 만들었는데 걍 포기하재서 버림
  • 욜로v8도전
  • internimage-H는 너무 커서 버렸었고

  • 입력 : 예측 csv 파일, val.jsons 파일에서 저기 표 만들기 submission.csv, groundtruth 받아서 서브미션 쟤는 test.ipynb 돌리면 나옴, mAP, mAP_50, mAP_75, mAP_s , mAP_m, mAP_l 구해서 표로 출력 mAP는 여러 IoU(Intersection over Union) 임계값에 대한 평균 정밀도의 평균입니다. MMDetection에서 기본적으로 COCO 데이터셋의 평가 방식을 따르며, 이는 IoU 임계값을 0.5에서 0.95까지 0.05 간격으로 변화시키며 계산합니다(총 10개의 임계값). 각 IoU 임계값에 대해 AP(Average Precision)를 계산하고, 이 10개의 AP 값의 평균을 구합니다.

  • 스윈트랜스폼,. convnext 로 백본 갈아끼우고 돌려보기 : 임베드_딤이랑 인풋채널? 사이즈 맞추면 된대