Shadowgraph
About
Sign in

Alexaqua7/rock-classification

데이콘에서 개최한 건설용 자갈 암석 종류 분류 AI 경진대회을 위한 Repository입니다

2

stars

77

commits

Python

primary language

Jun 1, 2025

updated

README

🪨 건설용 자갈 암석 종류 분류 AI 경진대회

월간 데이콘 × 한국지능정보사회진흥원(NIA)

📌 대회 개요

건설용 자갈 이미지에서 암석의 종류를 자동으로 분류하는 AI 알고리즘을 개발합니다.
자갈의 종류는 콘크리트와 아스팔트의 강도, 내구성, 품질에 직접적인 영향을 미치며,
정확한 분류는 건설 현장의 품질 관리에 핵심적인 역할을 합니다.

기존의 수작업 검사 방식을 대체할 수 있는 AI 기반 자동 분류 시스템을 통해
건설 산업의 디지털 전환에 기여하는 것이 본 대회의 목표입니다.

👥 팀원 소개

팀명: 건설용 자갈 암석

DonghwanSeo
 aqua3g

🗂️ 데이터 소개

  • 이미지 수: 총 약 475,026장
    • train: 380,020장
    • test: 95,006장
  • 클래스 수: 7개
    • Andesite, Basalt, Etc, Gneiss, Granite, Mud_Sandstone, Weathered_Rock
  • 해상도: 다양함

데이터 구성

├── train/
│ ├── Andesite/
│ ├── Basalt/
│ ├── Etc/
│ ├── Gneiss/
│ ├── Granite/
│ ├── Mud_Sandstone/
│ └── Weathered_Rock/
├── test/
├── sample_submission.csv # submission template
└── test.csv # 테스트 파일 명과 파일 경로

🧠 모델 아키텍처

다양한 CNN 및 Transformer 기반 아키텍처를 실험하였습니다.

  • Baseline: Inception ResNet
  • 최종 사용: InternImage-XL, DaViT_base, Mamba_out
  • Augmentations: RandomCenterCrop, HorizontalFlip, VerticalFlip, CLAHE, Gaussian Noise
  • Loss Function: CrossEntropyLoss, LabelSmoothing
  • Optimizer: AdamW, Adam
  • Scheduler: CosineAnnealingLR, StepLR

🏆 성능 요약

모델명Macro-F1 (Validation 기준)
InternImage-XL91.68%
DaViT_base90.77%
Mamba_out90.89%
🧪 Ensemble93.29% (Public 기준)
자세한 설명 보기

  • InternImage-XL
    ImageNet pretrained 모델이며 Hard Negative Sample을 이용하여 학습되었습니다.

  • DaViT_base
    ImageNet pretrained 기반이며 Hard Negative Sample 전략을 적용하였습니다.

  • Mamba_out
    ImageNet pretrained 모델로, 소수 클래스 비율을 보완하기 위해 Oversample을 사용했습니다.

  • Ensemble
    위 세 모델에 대해 Test Time Augmentation(TTA) 및 Soft Voting 방식의 앙상블을 수행했습니다.

프로젝트 구조


ROCK/
├── experiments/
├── models/
│   └── internimage/
│       ├── hardnegative_internimage.py
│       ├── inference_internimage.py
│       └── internimage.py
├── test/
├── train/
├── utils/
│   ├── custom_decorator.py
│   ├── dataset.py
│   ├── loss.py
│   ├── sampling.py
│   ├── trainer.py
│   ├── training_function.py
│   ├── transforms.py
│   └── utils.py
├── weights/
│   └── OpenCVLab/
│       └── internimage_xl_22kto1k_384/
├── download.py 
├── logit_ensemble.py
├── README.md
├── requirements.txt
├── run.py
├── sample_submission.csv
├── soft_ensemble.py
├── mamba_kfold.py
└── test.csv

주요 디렉토리 및 파일 설명

  • experiments/: 다양한 실험 설정 및 결과가 저장되는 디렉토리
  • models/: TIMM외의 모델 관련 코드가 포함되어 있습니다 (InternImage)
  • utils/: 데이터셋 처리, 손실 함수, 트레이너 등 유틸리티 함수 및 클래스들이 모여 있습니다.
  • weights/: 미리 학습된 모델 가중치 파일들이 저장됩니다. (InternImage를 돌리기 위해서 사전에 HuggingFace에서 이 경로에 모델을 저장해주세요)
  • download.py: weights 폴더에 InternImage 모델을 다운로드하기 위한 파일입니다.
  • requirements.txt: 프로젝트 실행에 필요한 Python 패키지 목록을 포함합니다.
  • run.py: 프로젝트의 메인 실행 스크립트입니다. (TIMM 모델 Only)
  • inference_*.py 파일들: 추론(inference)을 수행하는 스크립트들입니다.
  • soft_ensemble.py: 소프트 앙상블 관련 스크립트입니다.
  • logit_ensemble.py: 추론 시 logit을 저장하여 weighted ensemble을 수행할 수 있는 코드입니다.
  • mamba_kfold.py: MambaOut 모델의 학습에 사용합니다.

⚙️ 실험 실행 방법

본 프로젝트는 세 가지 실험 방식(기본 학습, Hard Negative 학습, Oversampling 학습)과 추론 방식을 포함합니다.

1. 학습 (Training)

※ MambaOut 모델의 경우, mamba_kfold.py 코드를 사용합니다.

TIMM 모델

1-1. Hard Negative Sample Training
  • 어려운 샘플(hard samples)에 집중하여 학습 성능을 향상시키는 방법입니다.
  • Hard Negative Sample은 최근 학습 중 오분류된 데이터들 중 높은 손실을 기록한 샘플들로 구성되며, HARD_NEGATIVE_MEMORY_SIZE만큼 저장됩니다.
  • 전체 배치에서 HARD_NEGATIVE_RATIO 만큼의 샘플을 Hard Negative에서 선택하며, 나머지는 클래스 균등 샘플링으로 채워집니다.
  • 전체 배치에서 HARD_NEGATIVE_RATIO에 따른 Hard Negative 샘플과, 그 외 클래스 균등 샘플링이 채워지는 기준은 BATCH_SIZE × ACCUMULATION_STEPS 크기를 기준으로 채워집니다.
  • trainer.predict()을 주석 처리 후에, trainer.train()를 주석 해제한 상태로 실행합니다.

🔧 주요 설정 인자

인자명설명
TRAIN_TRANSFORMTrain 시 사용 될 Transforms (Albumentations.Compose 활용)
TEST_TRANSFORMValidation 시 사용 될 Transforms (Albumentations.Compose 활용)
BALANCED_BATCHTrue로 설정
HARD_NEGATIVE_MEMORY_SIZEHard Negative Pool의 최대 크기 (예: 1000)
HARD_NEGATIVE_RATIO전체 배치 중 Hard Negative로 채울 비율 (예: 0.2이면 전체 배치 중 20%)
ACCUMULATION_STEPS배치 크기 누적을 위한 step 수 (BATCH_SIZE × ACCUMULATION_STEPS)

💻 실행 방법

python run.py
1-2. Oversampling Training

클래스 불균형 문제를 해결하기 위한 방식입니다.

  • BALANCED_BATCH=True로 설정하면, 각 클래스에서 균등하게 샘플을 뽑아 배치를 구성합니다.
  • HARD_NEGATIVE_MEMORY_SIZE와 HARD_NEGATIVE_RATIO를 0으로 설정해야 Oversampling만 적용됩니다.
  • trainer.predict()을 주석 처리 후에, trainer.train()를 주석 해제한 상태로 실행합니다.
🔧 주요 설정 인자
인자명설명
TRAIN_TRANSFORMTrain 시 사용 될 Transforms (Albumentations.Compose 활용)
TEST_TRANSFORMValidation 시 사용 될 Transforms (Albumentations.Compose 활용)
BALANCED_BATCHTrue로 설정 시 Oversampling 사용
HARD_NEGATIVE_MEMORY_SIZE, HARD_NEGATIVE_RATIO둘 다 0으로 설정해야 Oversampling만 적용됩니다
🧪 실행 예시
python run.py

InternImage 모델

1-1. Hard Negative Sample Training
  • 어려운 샘플(hard samples)에 집중하여 학습 성능을 향상시키는 방법입니다.
  • Hard Negative Sample은 최근 학습 중 오분류된 데이터들 중 높은 손실을 기록한 샘플들로 구성되며, HARD_NEGATIVE_MEMORY_SIZE만큼 저장됩니다.
  • 전체 배치에서 HARD_NEGATIVE_RATIO 만큼의 샘플을 Hard Negative에서 선택하며, 나머지는 클래스 균등 샘플링으로 채워집니다.
  • 전체 배치에서 HARD_NEGATIVE_RATIO에 따른 Hard Negative 샘플과, 그 외 클래스 균등 샘플링이 채워지는 기준은 BATCH_SIZE × ACCUMULATION_STEPS 크기를 기준으로 채워집니다.

🔧 주요 설정 인자 (코드 내부에서 수정)

인자명설명
TRAIN_TRANSFORMTrain 시 사용 될 Transforms (Albumentations.Compose 활용)
TEST_TRANSFORMValidation 시 사용 될 Transforms (Albumentations.Compose 활용)
HARD_NEGATIVE_MEMORY_SIZEHard Negative Pool의 최대 크기 (예: 1000)
HARD_NEGATIVE_RATIO전체 배치 중 Hard Negative로 채울 비율 (예: 0.2이면 전체 배치 중 20%)
ACCUMULATION_STEPS배치 크기 누적을 위한 step 수 (BATCH_SIZE × ACCUMULATION_STEPS)

💻 실행 방법

models/internimage 폴더로 이동 후,

python hardnegative_internimage.py

2. 추론 (Inference)

학습한 모델을 이용하여 테스트 데이터를 예측합니다.

※ Test 시에는 TEST_TRANSFORM에 RandomCenterCrop이 포함되지 않도록 반드시 주석 처리해야 합니다.

TIMM 모델

  • trainer.train()을 주석 처리 후에, trainer.predict()를 주석 해제한 상태로 실행합니다.
✅ 필수 설정
인자명설명
TEST_TRANSFORMInference 시 사용 될 Transforms (Albumentations.Compose 활용)
TRAINED_PATH학습된 모델이 저장된 경로 (예: ./experiments/your_model.pth)
🧪 실행 예시
python run.py

InternImage 모델

  • trainer.train()을 주석 처리 후에, trainer.predict()를 주석 해제한 상태로 실행합니다.
✅ 필수 설정 (코드 내부에서 설정)
인자명설명
TEST_TRANSFORMInference 시 사용 될 Transforms (Albumentations.Compose 활용)
TRAINED_PATH학습된 모델이 저장된 경로 (예: ./experiments/your_model.pth)
🧪 실행 예시

models/internimage 폴더로 이동 후,

python inference_internimage.py

Contributors

Alexaqua7

58 commits

Donghwan127

19 commits

Similar repos

RolnickLab/FoMo-Bench

54

Luismpso/AP2

🩻 Deep Learning models for multi-class ERCP classification featuring equipment bias removal via…

1

ruanyueheng/few-shot-pathology-classification

CLIP + LoRA few-shot pathology image classification with transductive methods

1

NguyenTanPhucThinh/Anime_characters_recognition

Open Set Anime Character Classification aims to identify anime characters while detecting unseen…

1

QuIIL/CAMP

Implementation of "CAMP: Continuous and Adaptive Learning Model in Pathology"

1

izmailovpavel/spurious_feature_learning

48

lingxitong/HistoROIBench

Pathology ROI Datasets BenchMarking Framework For Pathology Foundation Models

11

boostcampaitech5/level2_klue-nlp-08

level2_klue-nlp-08 created by GitHub Classroom

5

Languages

Python

100.0%

Alexaqua7/rock-classification

데이콘에서 개최한 건설용 자갈 암석 종류 분류 AI 경진대회을 위한 Repository입니다

2

stars

77

commits

Python

primary language

Jun 1, 2025

updated

README

🪨 건설용 자갈 암석 종류 분류 AI 경진대회

월간 데이콘 × 한국지능정보사회진흥원(NIA)

📌 대회 개요

건설용 자갈 이미지에서 암석의 종류를 자동으로 분류하는 AI 알고리즘을 개발합니다.
자갈의 종류는 콘크리트와 아스팔트의 강도, 내구성, 품질에 직접적인 영향을 미치며,
정확한 분류는 건설 현장의 품질 관리에 핵심적인 역할을 합니다.

기존의 수작업 검사 방식을 대체할 수 있는 AI 기반 자동 분류 시스템을 통해
건설 산업의 디지털 전환에 기여하는 것이 본 대회의 목표입니다.

👥 팀원 소개

팀명: 건설용 자갈 암석

DonghwanSeo
 aqua3g

🗂️ 데이터 소개

  • 이미지 수: 총 약 475,026장
    • train: 380,020장
    • test: 95,006장
  • 클래스 수: 7개
    • Andesite, Basalt, Etc, Gneiss, Granite, Mud_Sandstone, Weathered_Rock
  • 해상도: 다양함

데이터 구성

├── train/
│ ├── Andesite/
│ ├── Basalt/
│ ├── Etc/
│ ├── Gneiss/
│ ├── Granite/
│ ├── Mud_Sandstone/
│ └── Weathered_Rock/
├── test/
├── sample_submission.csv # submission template
└── test.csv # 테스트 파일 명과 파일 경로

🧠 모델 아키텍처

다양한 CNN 및 Transformer 기반 아키텍처를 실험하였습니다.

  • Baseline: Inception ResNet
  • 최종 사용: InternImage-XL, DaViT_base, Mamba_out
  • Augmentations: RandomCenterCrop, HorizontalFlip, VerticalFlip, CLAHE, Gaussian Noise
  • Loss Function: CrossEntropyLoss, LabelSmoothing
  • Optimizer: AdamW, Adam
  • Scheduler: CosineAnnealingLR, StepLR

🏆 성능 요약

모델명Macro-F1 (Validation 기준)
InternImage-XL91.68%
DaViT_base90.77%
Mamba_out90.89%
🧪 Ensemble93.29% (Public 기준)
자세한 설명 보기

  • InternImage-XL
    ImageNet pretrained 모델이며 Hard Negative Sample을 이용하여 학습되었습니다.

  • DaViT_base
    ImageNet pretrained 기반이며 Hard Negative Sample 전략을 적용하였습니다.

  • Mamba_out
    ImageNet pretrained 모델로, 소수 클래스 비율을 보완하기 위해 Oversample을 사용했습니다.

  • Ensemble
    위 세 모델에 대해 Test Time Augmentation(TTA) 및 Soft Voting 방식의 앙상블을 수행했습니다.

프로젝트 구조


ROCK/
├── experiments/
├── models/
│   └── internimage/
│       ├── hardnegative_internimage.py
│       ├── inference_internimage.py
│       └── internimage.py
├── test/
├── train/
├── utils/
│   ├── custom_decorator.py
│   ├── dataset.py
│   ├── loss.py
│   ├── sampling.py
│   ├── trainer.py
│   ├── training_function.py
│   ├── transforms.py
│   └── utils.py
├── weights/
│   └── OpenCVLab/
│       └── internimage_xl_22kto1k_384/
├── download.py 
├── logit_ensemble.py
├── README.md
├── requirements.txt
├── run.py
├── sample_submission.csv
├── soft_ensemble.py
├── mamba_kfold.py
└── test.csv

주요 디렉토리 및 파일 설명

  • experiments/: 다양한 실험 설정 및 결과가 저장되는 디렉토리
  • models/: TIMM외의 모델 관련 코드가 포함되어 있습니다 (InternImage)
  • utils/: 데이터셋 처리, 손실 함수, 트레이너 등 유틸리티 함수 및 클래스들이 모여 있습니다.
  • weights/: 미리 학습된 모델 가중치 파일들이 저장됩니다. (InternImage를 돌리기 위해서 사전에 HuggingFace에서 이 경로에 모델을 저장해주세요)
  • download.py: weights 폴더에 InternImage 모델을 다운로드하기 위한 파일입니다.
  • requirements.txt: 프로젝트 실행에 필요한 Python 패키지 목록을 포함합니다.
  • run.py: 프로젝트의 메인 실행 스크립트입니다. (TIMM 모델 Only)
  • inference_*.py 파일들: 추론(inference)을 수행하는 스크립트들입니다.
  • soft_ensemble.py: 소프트 앙상블 관련 스크립트입니다.
  • logit_ensemble.py: 추론 시 logit을 저장하여 weighted ensemble을 수행할 수 있는 코드입니다.
  • mamba_kfold.py: MambaOut 모델의 학습에 사용합니다.

⚙️ 실험 실행 방법

본 프로젝트는 세 가지 실험 방식(기본 학습, Hard Negative 학습, Oversampling 학습)과 추론 방식을 포함합니다.

1. 학습 (Training)

※ MambaOut 모델의 경우, mamba_kfold.py 코드를 사용합니다.

TIMM 모델

1-1. Hard Negative Sample Training
  • 어려운 샘플(hard samples)에 집중하여 학습 성능을 향상시키는 방법입니다.
  • Hard Negative Sample은 최근 학습 중 오분류된 데이터들 중 높은 손실을 기록한 샘플들로 구성되며, HARD_NEGATIVE_MEMORY_SIZE만큼 저장됩니다.
  • 전체 배치에서 HARD_NEGATIVE_RATIO 만큼의 샘플을 Hard Negative에서 선택하며, 나머지는 클래스 균등 샘플링으로 채워집니다.
  • 전체 배치에서 HARD_NEGATIVE_RATIO에 따른 Hard Negative 샘플과, 그 외 클래스 균등 샘플링이 채워지는 기준은 BATCH_SIZE × ACCUMULATION_STEPS 크기를 기준으로 채워집니다.
  • trainer.predict()을 주석 처리 후에, trainer.train()를 주석 해제한 상태로 실행합니다.

🔧 주요 설정 인자

인자명설명
TRAIN_TRANSFORMTrain 시 사용 될 Transforms (Albumentations.Compose 활용)
TEST_TRANSFORMValidation 시 사용 될 Transforms (Albumentations.Compose 활용)
BALANCED_BATCHTrue로 설정
HARD_NEGATIVE_MEMORY_SIZEHard Negative Pool의 최대 크기 (예: 1000)
HARD_NEGATIVE_RATIO전체 배치 중 Hard Negative로 채울 비율 (예: 0.2이면 전체 배치 중 20%)
ACCUMULATION_STEPS배치 크기 누적을 위한 step 수 (BATCH_SIZE × ACCUMULATION_STEPS)

💻 실행 방법

python run.py
1-2. Oversampling Training

클래스 불균형 문제를 해결하기 위한 방식입니다.

  • BALANCED_BATCH=True로 설정하면, 각 클래스에서 균등하게 샘플을 뽑아 배치를 구성합니다.
  • HARD_NEGATIVE_MEMORY_SIZE와 HARD_NEGATIVE_RATIO를 0으로 설정해야 Oversampling만 적용됩니다.
  • trainer.predict()을 주석 처리 후에, trainer.train()를 주석 해제한 상태로 실행합니다.
🔧 주요 설정 인자
인자명설명
TRAIN_TRANSFORMTrain 시 사용 될 Transforms (Albumentations.Compose 활용)
TEST_TRANSFORMValidation 시 사용 될 Transforms (Albumentations.Compose 활용)
BALANCED_BATCHTrue로 설정 시 Oversampling 사용
HARD_NEGATIVE_MEMORY_SIZE, HARD_NEGATIVE_RATIO둘 다 0으로 설정해야 Oversampling만 적용됩니다
🧪 실행 예시
python run.py

InternImage 모델

1-1. Hard Negative Sample Training
  • 어려운 샘플(hard samples)에 집중하여 학습 성능을 향상시키는 방법입니다.
  • Hard Negative Sample은 최근 학습 중 오분류된 데이터들 중 높은 손실을 기록한 샘플들로 구성되며, HARD_NEGATIVE_MEMORY_SIZE만큼 저장됩니다.
  • 전체 배치에서 HARD_NEGATIVE_RATIO 만큼의 샘플을 Hard Negative에서 선택하며, 나머지는 클래스 균등 샘플링으로 채워집니다.
  • 전체 배치에서 HARD_NEGATIVE_RATIO에 따른 Hard Negative 샘플과, 그 외 클래스 균등 샘플링이 채워지는 기준은 BATCH_SIZE × ACCUMULATION_STEPS 크기를 기준으로 채워집니다.

🔧 주요 설정 인자 (코드 내부에서 수정)

인자명설명
TRAIN_TRANSFORMTrain 시 사용 될 Transforms (Albumentations.Compose 활용)
TEST_TRANSFORMValidation 시 사용 될 Transforms (Albumentations.Compose 활용)
HARD_NEGATIVE_MEMORY_SIZEHard Negative Pool의 최대 크기 (예: 1000)
HARD_NEGATIVE_RATIO전체 배치 중 Hard Negative로 채울 비율 (예: 0.2이면 전체 배치 중 20%)
ACCUMULATION_STEPS배치 크기 누적을 위한 step 수 (BATCH_SIZE × ACCUMULATION_STEPS)

💻 실행 방법

models/internimage 폴더로 이동 후,

python hardnegative_internimage.py

2. 추론 (Inference)

학습한 모델을 이용하여 테스트 데이터를 예측합니다.

※ Test 시에는 TEST_TRANSFORM에 RandomCenterCrop이 포함되지 않도록 반드시 주석 처리해야 합니다.

TIMM 모델

  • trainer.train()을 주석 처리 후에, trainer.predict()를 주석 해제한 상태로 실행합니다.
✅ 필수 설정
인자명설명
TEST_TRANSFORMInference 시 사용 될 Transforms (Albumentations.Compose 활용)
TRAINED_PATH학습된 모델이 저장된 경로 (예: ./experiments/your_model.pth)
🧪 실행 예시
python run.py

InternImage 모델

  • trainer.train()을 주석 처리 후에, trainer.predict()를 주석 해제한 상태로 실행합니다.
✅ 필수 설정 (코드 내부에서 설정)
인자명설명
TEST_TRANSFORMInference 시 사용 될 Transforms (Albumentations.Compose 활용)
TRAINED_PATH학습된 모델이 저장된 경로 (예: ./experiments/your_model.pth)
🧪 실행 예시

models/internimage 폴더로 이동 후,

python inference_internimage.py

Similar repos

RolnickLab/FoMo-Bench

54

Luismpso/AP2

🩻 Deep Learning models for multi-class ERCP classification featuring equipment bias removal via…

1

ruanyueheng/few-shot-pathology-classification

CLIP + LoRA few-shot pathology image classification with transductive methods

1

NguyenTanPhucThinh/Anime_characters_recognition

Open Set Anime Character Classification aims to identify anime characters while detecting unseen…

1

QuIIL/CAMP

Implementation of "CAMP: Continuous and Adaptive Learning Model in Pathology"

1

izmailovpavel/spurious_feature_learning

48

lingxitong/HistoROIBench

Pathology ROI Datasets BenchMarking Framework For Pathology Foundation Models

11

boostcampaitech5/level2_klue-nlp-08

level2_klue-nlp-08 created by GitHub Classroom

5

Contributors

Alexaqua7

58 commits

Donghwan127

19 commits

Languages

Python

100.0%