상황 : 데이터셋 병합시 ID불일치상황원본 데이터(56종)와 추가 데이터를 합쳐서 EDA를 돌렸는데, 예상한 클래스 수는 98개인데 실제로는 143개가 나왔다. txt 파일 기준으로 세면 143개, json 기준으로 세면 98개라 처음엔 집계 방식 문제인 줄 알았다. 원인● build_global_class_map(모든 JSON 파일을 돌면서 category_id → yolo_class_id 전역 매핑을 만드는 함수)이 category_id를 클래스 식별 기준으로 쓰고 있었음-> 같은 약(예: 놀텍정)이 원본 데이터에선 category_id = 5, 추가 데이터에선 category_id = 200423처럼 서로 다른 ID를 가지고 있었다. 결과적으로 같은 약이 두 개의 다른 클래스로 카운트되어 143개가..

상황1상황 설명YOLO 모델이 약을 인식하면 클래스명("놀텍정 10mg")으로 식약처 API를 조회하도록 했는데, "울트라셋이알서방정"만 결과가 나오고 나머지는 전부 "정보를 찾을 수 없습니다"가 떴다. 원인식약처 API DB에는 약품명이 "놀텍정10밀리그램(일라프라졸)"처럼 용량을 한글로 저장하고 있었다. YOLO 클래스명은 "놀텍정 10mg"처럼 영문 단위를 쓰기 때문에 검색어 자체가 DB 형식과 달라서 매칭이 안 됐던 것이다 .. 해결정규식으로 용량 패턴(10mg, 800mg 등)을 감지해서 검색 전에 한글로 변환하도록 했다.DOSAGE_PATTERN = re.compile(r"\s*(\d+(?:\.\d+)?)\s*(mg|mcg|g|ml)\b", re.IGNORECASE)UNIT_KO = {"mg..

상황 1. ModuleNotFoundError - No module named 'src'Colab에서 tests/detr_test/detr_test.py를 실행했더니 아래 에러가 발생했다. src 폴더가 분명히 있는데 왜 못 찾는지 고민해보았다 .. 원인Python은 스크립트를 실행할 때 해당 파일이 있는 디렉토리를 기준으로 모듈을 탐색한다고 한다. detr_test.py는 tests/detr_test/ 안에 있어서 Python 입장에서는 거기서부터 탐색을 시작하기 때문에 프로젝트 루트의 src 폴더가 보이지 않았던 것이다. 해결파일 상단에 아래 코드를 추가해서 프로젝트 루트를 sys.path에 직접 등록했다.from pathlib import Pathimport sysPROJECT_ROOT = Path..

상황1 : uv sync가 torch cu128을 CPU 버전으로 덮어쓰는 문제 uv run python 으로 학습 스크립트를 실행할 때마다 아래 에러가 반복됐다.RuntimeError: operator torchvision::nms does not exist처음엔 torchvision을 재설치하면 해결됐지만, 다시 uv run을 하면 또 같은 에러가 났다. 원인uv run은 실행 전에 자동으로 uv sync를 돌린다. 문제는 pyproject.toml에 torch/torchvision이 [project.dependencies]에 없었고, [tool.uv.sources]의 설정도 잘못된 형식(url)을 쓰고 있었다 ! # 잘못된 설정 — url은 직접 wheel 파일 경로용이라 index URL엔 동작 ..

배경 FashionMNIST 데이터셋으으로 GAN과 LDM모델을 구현하고 성능을 보는 실험을 하고 있었는데, 이미지의 품질을 보기 위해서 FID를 사용했는데, 문제들이 많이 발생했다. 문제1. FID가 1 아래로 나왔다.GAN모델의 경우 상식적인 FID값이 나왔는데, LDM학습을 하다보니 FID값이 1 아래로 나왔다. 직관적으로 말이 안되는 수치였다. 초기학습단계에는 이미지가 노이즈 수준일텐데, 1아래로 나온다는건 왜 그랬을까 ? 원인 FrechetInceptionDistance(feature=64)로 설정했던 것이 문제였다. feature 수가 너무 작으면 실제 이미지와 생성 이미지의 분포 차이를 제대로 잡아내지 못한다는 것을 알게 됐다. # 문제가 된 코드fid = FrechetInceptionDis..

※Focal LossSementic Segmentation을 진행하던 중, Focal Loss라는 개념을 처음 알게 되었다. CE Loss의 경우, 쉬운 샘플(배경)에 많은 가중치를 주기 떄문에, 어려운 클래스를 잘 배우지 못한다.(클래스 불균형이 심할 때) -> Focal Loss의 경우 어려운 샘플(확률 낮은 샘플)에 가중치를 높여서 손실을 계산하여, 클래스 불균형에 강한 손실이다. -> 클래스 불균형이 심하거나 멀티클래스 문제이거나, 배경이 많은 이미지 처리 문제일 시에 nn.CrossEntropyLoss()보다 Focal Loss를 사용하는게 좋다는걸 배웠다. 하지만 torchvision.ops에서 제공하는 sigmoid_focal_loss는 binary용이라서 multiclass에는 맞지..