- 本次大赛要求选手开发算法模型，通过布样影像，基于对布样中疵点形态、长度、面积以及所处位置等的分析，判断瑕疵的种类 。通过探索布样疵点精确智能诊断的优秀算法，提升布样疵点检验的准确度，降低对大量人工的依赖，提升布样疵点质检的效果和效率。
- 比赛链接
- src : 存放所有相关代码的文件夹
- main.py : finetune主函数
- extract_pic_xml.py : 将所有原始数据的xml提取整合到目标xml文件夹中,pic提取整合到pic文件夹中
- cname2ename.py : 包含中文名和拼音的dict
- split_10.py : 将原始数据按照比赛要求分成10个文件夹, 取一部分作为validation数据另外存放
- DataAugmentForObejctDetection.py : 数据增强脚本
- DataAugForTrainAndTest.py ： 训练数据增强
- xml_helper.py : 处理xml文件的辅助脚本
- cp_to_train.py : 将data_split_train中原图copy到data_for_train文件夹下面,将增强后的图移动到 data_for_train文件夹下面
- merge.py : 融合脚本
- models : 存放预训练模型以及训练输出的模型
- data : 存放训练数据以及test数据
- submit : 存放预测的中间结果
- result.csv : 根据submit中的结果文件进行融合后的最后结果
- run.sh : 复现线上结果的脚本(需下载我预先训练好的模型,同时在main函数中注释掉训练即测试部分,取消复现部分代码)
- run_all.sh : 从头开始训练并得到预测结果的脚本。
- step1 : 手动解压原始数据压缩文件，得保证解压后的文件名没有乱码！！！！！！！
- step2 : 手动在keras源码中修改插值方式：
- 在~/anaconda3/envs/tianchi/lib/python2.7/site-packages/keras_preprocessing/imge.py（imge.py路径）的第33行后面加入 'antialias': pil_image.ANTIALIAS
- 变成： ''' _PIL_INTERPOLATION_METHODS = { 'nearest': pil_image.NEAREST, 'bilinear': pil_image.BILINEAR, 'bicubic': pil_image.BICUBIC, 'antialias': pil_image.ANTIALIAS, #added by mao } '''
- step3 : 运行run.sh可以复现线上的结果（需要先下载训练好的模型 密码: qp9k）；或者运行run_all.sh可以从头开始训练并得到预测结果。
- 数据输入部分：
- 输入:
- 图片大小：H,W=[550, 600]
- batch : 4
- 数据增强线下：每张瑕疵图片扩充到三到四张，加入了裁剪，改变亮度，加噪声，cutout等方式，当然增强的时候利用了xml文件的信息，保证了框也随之变化
- 数据增强线上：使用keras内置的增强方法，开启了镜像
- 输入:
- 模型及trick部分：
- 模型：densenet169
- trick：
- 使用LSR(Label smoothing Regularization)损失，超参e={0.25,0.3}。增加模型泛化能力。
- 尝试balanced CE 以及 balanced CE + focal loss损失，但是均未带来提升。
- 尝试增加attetion，也未带来提升。
- 模型融合.单模730, 双模融合746。
- 训练策略：
- 每个类别的10%图片作为validation集合
- 剩下90%中只对带瑕疵图片进行图像增强。每张扩充到3到4张。
- 输出结果说明：
- 输出模型存放位置：./models/final
- 输出模型名称：1) model_weight_0.7296.hdf5; 2) model_weight_0.7239.hdf5
- 输出模型大小：均为102.5Mb
- 另：
- 单模730的参数：LSR损失的e=0.25, 图片增强的时候每张扩充到3张
- 单模72+的参数：LSR损失的e=0.3, 图片增强的时候每张扩充到4张
- 其他参数两者均一致，具体间main.py函数
- 注意，模型初始化用的是imagenet预训练权值，在开始模型训练前会自行下载
- 线下线上增强是随机增强的，这会有一个随机性，重新训练的话结果可能会在线上最好成绩附近波动