2026년 3월 31일 (화)

맡은 역할과 수행한 작업

<aside>

프로젝트 마감을 하루 앞두고 Test셋 미학습 약제에 대한 가설 검증을 마쳤으며, 앙상블(WBF) 가중치 최적화를 통해 리더보드 자체 최고점을 갱신했습니다.

미학습 약제 추가 데이터 가설 검증 및 질의 : Test 셋에만 존재하는 18건의 미학습 약제를 식별하고 총 1,782장의 추가 데이터를 학습시켰으나, 오히려 Kaggle 스코어가 하락하는 현상을 발견했습니다. 강사님과 직접 질의응답을 진행하며 채점 로직에 대한 이야기는 들었으나, 원인 파악을 하기엔 시간이 없었고 여전히 의문점이 남아있어 결국 신규 약제 데이터는 다시 제외하여 캐글 데이터셋을 갱신하였습니다. 이 부분은 추후 발표 시에 한계점 부분에 포함하기로 하였습니다.
앙상블(WBF) 가중치 튜닝 및 최고점 갱신 : 야간에 남은 8번의 캐글 제출 기회를 활용하여, 기존 베스트 모델 5개의 WBF 앙상블 파라미터를 미세 조정했습니다. 각 모델에 부여하는 가중치를 [1.5, 2.5, 1.5, 2.5, 1.0]으로 최적화하여 리더보드 최고 점수인 0.98032를 달성했습니다.
가이드 문서 배포 및 최종 탐색 시트 관리 : 팀원들이 각자의 최고 성능 가중치(best.pt)로 손쉽게 추론 CSV 파일을 생성할 수 있도록 '가중치로 제출 파일 생성 가이드' 노션 페이지를 작성해 공유드리고, '최종 모델 탐색' 노션 페이지에 모든 Run과 앙상블 기록을 문서화했습니다. </aside>

오늘 작업 완료도 체크

🟢 100% (완료 및 점검까지 완료)

<aside>

제출 기회와 앙상블 가중치 최적화를 통해 0.98032라는 자체 최고 기록을 달성하여 내일 최종 마감 준비를 마쳤습니다.

</aside>

오늘 협업 중 제안하거나 피드백한 내용

<aside>

제출 전략 제안 : Test 데이터 갱신 모델의 점수가 떨어지는 것을 확인한 직후, 바로 캐글 데이터셋에서 추가 약제만 제외시켜 갱신하였습니다. 또, 갱신된 데이터셋으로 다시 실험을 진행했습니다. “새로운 실험 결과가 나오기 전까지 기존 재현 지표 0.96 이상 모델들만 취합해 WBF 앙상블 후처리(iou_thr, skip_box_thr 변경)에 남은 기회를 올인하자"고 제안하여 팀원들의 합의를 이끌어냈습니다.
SAHI 기법 도입 전 검증 제안 : 기우님이 제안하신 추론 기법인 SAHI(Slicing Aided Hyper Inference)에 대해, 캐글 제출 기회를 소진하기 전에 반드시 Validation 지표로 먼저 성능 향상 여부를 검증한 후 진행할 것을 제안했습니다.
앙상블용 CSV Bbox 타입 가이드 : 팀원들이 앙상블용 결과를 추출할 때, 정밀도 하락을 막기 위해 Bbox를 정수형(int)으로 반올림하지 말고 실수형(float)을 유지한 채로 WBF를 거친 뒤 마지막에 정수 처리하도록 재차 가이드했습니다. </aside>

오늘 분석/실험 중 얻은 인사이트나 발견한 문제점

<aside>

WBF 앙상블의 가중치 최적화 : 단순히 여러 모델의 Bbox를 합치는 것을 넘어, 리더보드 스코어가 더 높았던 모델의 결과에 더 높은 가중치(2.5 등)를 부여했을 때 점수가 유의미하게 상승(0.98032)함을 확인했습니다. 반면, 가중치 편차를 너무 극단적으로 주면(4.0 등) 다시 점수가 하락하여 균형 잡힌 가중치 조절이 핵심임을 배웠습니다.
미학습 약제 추가로 인한 지표 하락 : 상기했던 이슈의 원인을 아직 파악 중이며, 원인 파악 후 발표자료에 반영할 수 있도록 노력할 예정입니다. </aside>

일정 지연이나 협업 중 어려웠던 점

<aside>

강사님께 피드백 받았던 기대와는 다르게, Test셋에만 있는 약제 데이터를 추가한 후 지표가 하락해 팀원들의 사기가 저하될 뻔했습니다. 하지만 곧바로 데이터셋을 재정제하였고 빠르게 앙상블 전략으로 방향을 선회하여 얼마 남지 않은 시간을 절약할 수 있었습니다.
팀원들이 가중치 파일을 통해 캐글 제출 파일을 생성해내는 것에 아직 경험이 부족해 시간이 걸려 일정 지연이 있었습니다. </aside>