목차

1. 프로젝트 주제
2. 프로젝트 목표
3. 개발 환경
4. 개발 기간 및 수행 절차
5. 데이터 제작
6. 모델 학습
7. 하이퍼 파라미터
8. Code
9. 훈련 결과
10. 프로젝트 결과
11. 프로젝트 후기
12. 참조
13. 제출물

대회 링크

https://ubai.uos.ac.kr/forum/view/767800

프로젝트 주제

• 토지특성 파악을 위한 인공지능 알고리즘 구축이 지정 주제였으며 3개의 소주제 중 하나를 선택하여 모델을 개발하는 것이 목표
• 그 중에서 '딥러닝 또는 머신러닝을 통한 토지특성 정보 구축(지형 형상)'을 선택하였으며 대상지로는 동대문구를 선정

프로젝트 목표

• 국토교통부에서는 표준지 토지특성 조사요령에서 지형 형상의 구분 기준을 제시하고 있음
• 이를 AI모델을 통해 수기가 아닌 자동으로 지형 형상을 구분해주는 모델을 개발하는 것이 목표
• 이를 위해 객체 탐지 종류의 하나인 instance segmentation 모델을 사용하기로 하였으며 그 중에서 1-stage detector로 돼있어 속도가 빠르고 비교적 정확도가 높은 YoloV5 모델을 사용

개발 환경

• Deeplearning Model : YoloV5
• 데이터 제작: Rhino6
• 버전 및 이슈관리 : Github
• OS : Windows 10
• CPU : 12th Gen Intel(R) Core(TM) i9-12900K
• RAM : 64.0GB
• GPU : NVIDIA GeForce RTX 3090 Ti
• CUDA : 11.2
• cudnn : 8.2
• Python : 3.7.16
• torch : 1.8.0
• torchvision : 0.9.0
• detectron2 : 0.2.1 (detectron2-windows)

개발 기간 및 수행 절차

• 전체 개발 기간 : 2023-01-12 ~ 2023-02-28

데이터 제작

원본 데이터

• 토지형상의 데이터는 위와 같이 Shp파일로 돼있었으며 instance segmentation에 훈련 데이터로 사용하기 위해서는 가공을 통해 구역을 나눌 필요 존재
• 이를 위해 Shp 파일 편집 프로그램인 Rhino6를 사용

가공 데이터

• 다음과 같이 2,3개씩 그룹을 묶어 이미지를 제작하였으며 yolov5 labeling을 위해 우측의 이미지와 같이 색을 통해 구분
• 또한 좌측의 이미지와 같이 색을 없앤 훈련 데이터 또한 쌍으로 생성

데이터 전처리

1. labelig 본격적인 라벨링을 위해서 cv2 라이브러리의 findContour 함수를 사용하여 외곽선을 검출, 그 후 Teh-Chin 근사 알고리즘을 적용하여 클래스 별로 굴곡점의 포인트를 추출하고 좌표를 txt파일에 저장

2. train/test split train-test split 함수를 통해 8:1:1의 비율로 학습, 검증, 평가 데이터셋 분할

모델 학습

• 학습에 사용한 yolov5모델은 ultralytics의 소스를 사용하였으며 이 때, 모델 학습 시 사용할 데이터의 경로, 클래스를 정의하기 위한 yaml파일을 생성

하이퍼 파라미터

Code

1. download data: https://drive.google.com/file/d/13tlKbZRhfLQ_SOrBWIN6soFA6wgjk5Jn/view?usp=drive_link

2. Clone this repository:

git clone https://github.com/ha789ha/lx_ubai.git
cd lx_ubai

3. generate label:

python label_generator.py

4. data split:

python data_split.py

5. download yolov5:

git clone https://github.com/ultralytics/yolov5
cd yolov5
pip instal -r requirements.txt

6. training:

python train.py --img 640 --epochs 300 --batch-size 16 --data lx_ubai/dataset.yaml --weights yolov5s.pt --lr 0.01 --final-lr 0.1 --momentum 0.937 --weight-decay 0.0005 --warmup-epochs 3.0 --warmup-momentum 0.8 --warmup-bias-lr 0.1

훈련 결과

• 정성적 평가

평가 데이터 정답 레이블	평가 데이터 예측 결과

• 정량적 평가

• confusion matrix

프로젝트 결과

전체적으로 Precision 0.565, Recall 0.720을 기록, 전체적인 성능의 수준이 좋지 않아 분석한 결과, 크게 두 가지 원인이 존재

1. 국토교통부에서 정한 기준 자체에서 오류 존재

위 사진은 '세로장방형'으로 분류된 객체이나 토지의 넒은 면이 도로와 접하고 있어 '가로장방형'에 가까움

2. 분류 기준의 모호함

위의 객체는 '정방형'으로 분류된 객체, 국토교통부에서는 '장방형'과 '정방형'에 대해 구분하고 있는데 내각을 보면 '정방형'보다는 '장방형'에 가까운 것을 알 수 있음

프로젝트 후기

위의 결과를 토대로 AI 모델의 결과의 아쉬움에 대해 원인을 분석하였고 분류 기준에 대한 중요성을 역설하였습니다. 이는 많은 심사위원들의 공감을 사 대회를 1등으로 마무리 할 수 있었습니다.
이전 Dacon이나 Kaggle 같은 대회에서는 잘 정제된 데이터를 토대로 모델 성능을 끌어올리는 데에만 집중했다면 이번 공모전을 통해 데이터 제작, 전처리, 모델 훈련까지 end to end로 경험할 수 있었고 데이터의 중요성을 느낄 수 있는 공모전이었습니다.

참조

• 국토교통부 2023년도 표준지공시지가 조사평가 업무요령
• YOLOV5

제출물

자세한 내용은 아래의 보고서를 참고해주시면 감사하겠습니다.
공간 정보 활용 공모전 보고서