중고차 모델 분류 프로젝트

한국어 | English

⚠️ 대회 규정상 데이터 및 소스 코드는 공개하지 않습니다.

---

프로젝트 개요

• 주제: 중고차 이미지 차종 분류 AI 모델 개발
• 목표: 다양한 중고차 차종 이미지 데이터를 분석하여 차종을 정확히 분류하는 AI 모델 개발 및 데이콘 제출
• 데이터 구성:
  • 학습 데이터: 33,137장, 396개 클래스
  • 평가 데이터: 8,258장

---

팀 정보

• 👩🏻‍💻 @HaileysArchives
• 👩🏻‍💻 @KwonNayeon

프로젝트 기간: 2025.05 - 2025.06

협업 내용: AI 모델 개발, 데이터 전처리, 분석

---

사용 기술

• 핵심 기술: PyTorch 기반 딥러닝, 컴퓨터 비전 모델 (ResNet, EfficientNet)
• 데이터 파이프라인: Python 기반 전처리 (NumPy/Pandas)
• 평가 지표: Log Loss (scikit-learn 기반), Dacon 리더보드 Public/Private Score

---

프로젝트 구조도

프로젝트 구조도 (영문) - 단계별 개발 과정 시각화

---

핵심 전략

1. 초기 전략: 2단계 접근법

브랜드 로고 기반 단계적 분류 설계

• 1단계: YOLO 모델을 활용한 차량 이미지 내 브랜드 로고 탐지 및 분류
• 2단계: 전체 차량 이미지를 활용한 세부 차종 분류 모델 학습

라벨링 전략

• 바운딩 박스 기준 수립 후 Roboflow를 통한 데이터 라벨링 진행
• 수작업 라벨링과 AI 자동 라벨링(Auto Annotate) 조합 시도
• 제약사항: Roboflow Auto Annotate 기능의 유료 토큰 요구로 도입 실패

2. 전환 전략: 단일 단계 분류 모델

리소스 제약으로 인한 전략 변경

• YOLO 기반 2단계 접근법은 시간 및 자원 소모량이 과도하여 보류
• Google Colab 환경의 GPU 메모리 제한으로 전체 데이터셋(33,000장) 학습 불가
• 데이터 최적화: 클래스 균형을 고려하여 10,000장으로 샘플링
• ResNet 및 EfficientNet 기반 분류 모델로 실험 방향 전환

---

자세한 내용

• 결과 요약 - 문제 정의와 전체 결과 요약
• 문제해결 과정 - 기술적/데이터 문제와 해결 방법
• 기술 구현 - 데이터 전처리 및 모델 학습 슈도코드
• 결과 차트 - 모델 성능 및 학습 과정 시각화

---

참고사항

• 원본 데이터 및 소스 코드는 대회 규정에 따라 비공개
• 모델 제출은 sample_submission.csv 형태로 클래스별 예측 확률을 포함
• 평가 기준: Log Loss 기반 Private Score 100% 반영
• 클래스 통합 고려사항: 'K5_3세대_하이브리드_2020_2022' == 'K5_하이브리드_3세대_2020_2023' 등