Solbi Lee님의 블로그

YOLOv3 벌 탐지 모델 구현과 성능 저하의 미스터리 - 완전 해부 분석기들어가며: 완벽했던 모델이 왜 갑자기 0이 되었나꿀벌 객체 탐지 프로젝트에서 정상 동작하던 YOLOv3가, 코드 리팩토링 이후 mAP@0.5=0.0000으로 붕괴했다. Loss는 줄어드는데, 평가 지표는 전부 0. “학습 문제가 아니라 추론/평가 경로가 엉킨 것”이라고 직감했다. 그래서 성능이 잘 나오던 **v1(정상판)**과 리팩토링 후 **v2(붕괴판)**를 라인별로 대조하며 원인을 끝까지 추적했다. 아래는 내가 실제로 고민하고, 고쳤고, 배웠던 모든 것을 일기처럼 남긴 기록이다.1) 왜 YOLOv3였나 — 벌 데이터의 특성과 FPN 선택겹침(occlusion): 벌이 군집을 이루며 붙어 있음 → 경계가 모호크기 다양성(sca..

1. 데이터셋 확정8월 15일 회의에서 팀은 최종적으로 AI Hub의 꿀벌 데이터셋을 사용하기로 결정했다.👉 AI Hub 벌 데이터셋 바로가기 클래스 구성: 수일벌(AB) / 여왕벌(QB) × 이탈리안(LI), 카니올란(CA), 호박벌(BI), 한봉(AP) 총 8종류 (AB_LI, QB_LI, AB_CA, QB_CA, AB_BI, QB_BI, AB_AP, QB_AP) 제외 클래스: 알, 애벌레, 번데기, 질병 데이터 즉, 우리는 성체 꿀벌 중심의 객체 탐지 + 분류를 목표로 한다. 2. YOLOv2 vs YOLOv3 역할 분담팀원 간 역할을 분담해 YOLOv2와 YOLOv3를 병렬 학습하기로 했다.나는 YOLOv3를 담당했다.YOLOv3의 특징 요약 :Darknet-53 백본..

1. 과제 설계의 핵심이번 과제의 구조는 명확했다.“검출 → 크롭 → 분류”의 두 단계 파이프라인을 구성하는 것이다.YOLO로 객체를 검출한 뒤,해당 영역을 crop하여ResNet, EfficientNet, 혹은 간단한 MLP/SVM 같은 별도의 분류 모델에 전달한다.이는 실제 산업 현장에서도 자주 활용되는 접근법이기도 하다.예를 들어 동전 인식, 과일 분류, 교통 표지판 인식 같은 응용 문제들이 대표적이다. 2. 주제 선정 과정에서의 고민초기에는 다양한 아이디어를 검토했다.동전 인식: 동전 검출 후 금액 합계 계산과일 바구니: 과일 검출 후 종류별 개수 산출교통 표지판: 표지판 검출 후 세부 클래스 분류각각 나름의 기술적 도전과 실용성을 갖추고 있었지만, 데이터셋 확보의 현실적 제약을 반드시 고려해야 ..