다른 분들의 다양한 모델에 대한 소개도 참고할 수 있었고, 백그라운드를 이미지 합성하는 것도 효과가 좋다는 입증을 해주셨기에, 
앞의 데이터 합성 기법을 믿고 사용할 수 있었습니다.
또, timm에서 pretrained 데이터를 불러와 학습을 보다 빠르고 안정적으로 할 수 있도록 시도했습니다.
추론에서는 test time augmentation을 통해 결과에 대한 안정성을 늘려보려 했습니다..
학습에 있어서는 데이터 만들고, 학습하고, 만들고, 이어서 학습하고 반복했습니다.
학습에 사용할 pretrained model과 데이터 생성에 필요한 blender 파일을 첨부합니다.
https://drive.google.com/drive/folders/15UzucNTVaPEZwmwk7qylfiVI5u3euArs?usp=sharing
이 대회로 좋은 경험을 할 수 있었습니다. 감사합니다!

#학습 환경
CPU: 2x Intel(R) Xeon(R) Gold 5218R CPU @ 2.10GHz
intel(R) Core(TM) i9-12900K (24CPUs), ~3.2GHz
RAM: 64GB
GPU: NVIDIA RTX 3090
OS: Windows 10 HOME 64비트 (10.0, 빌드 19044)
PYTHON: 3.8
PYTORCH: torch 1.13.0+cu117
CUDA: 11.7

#Directory
├── open
│   ├── BLENDERMADE(제작된 이미지, 기존 train 이미지)
│   ├── BLENDERTRAIN
      │    ├── BLENDERMADE(합성 결과)
│   ├── background (배경)
│   ├── train  (배경합성이미지)
│   ├── test
│   ├── train_2.csv (블렌더 파일 포함 데이터)
│   ├── test.csv
│   ├── sample_submission.csv
│   ├── train.ipynb