HAI(하이)! - Hecto AI Challenge : 2025 First Half Hecto Recruitment AI Competition

그리고 396개의 class에서 5개쌍이 복수 정답 처리되어서 그 5개쌍을 묶어서 391개 class로 학습했었는데, 점수가 상당히 안 좋아지더라고요.
여기서 며칠을 헤매었습니다...

고생하셨습니다.

저도 재미있게 하긴했습니다 ㅎㅎ 재미만 있었지만요

뭔가, 간단한 태스크의 대회라도 고사양 gpu가 없으면 상위권은 힘들겠다라는 생각이 드네요.

저도 391종으로 합치니 오히려 성능이 소폭 하락했습니다만, 후반부에서는 그래도 합쳐서 진행했었습니다.

gridmix superpixelmix mixup은 효과 못봤고
randaug cutmix 512res 로 덕을 봤습니다.
 tta는 항상 성능이 하락했어요.

고생하셨습니다~ 재미있었어요

저도 이미지 사이즈에서 점수 향상 제일 컸던 것 같네요..
그 다음으로는 Mixup & Cutmix 적용이었던 것 같고
이 외에는 앙상블 전략으로 최대한 끌어올렸던 것 같습니다. 
저도 제출에서 val_loss 와 차이가 0.1 내외로 계속 나서 힘들었네요 ㅠㅠ 고생 많으셨습니다

모델은 TinyViT 사용했습니다.
차량 내부 사진이나 다른 이상치에 대해 모델이 잘 확신하지 못하고 틀려서
LightGlue 이용해서 가장 높게 예측한 클래스가 0.5 이하인 테스트 데이터셋을 훈련 데이터셋과 전부 매칭해봐서 매칭점 가장 많은 클래스로 예측하도록 해봤습니다.
일부 내부 사진에 대해서는 맞는 거 같은데 대부분 너무 이상하게 예측해서 오히려 점수가 안좋아지더라고요
상위권분들은 차량 내부 사진이나 다른 이상치를 어떻게 처리했는지 궁금하네요..

고생하셨습니다:)

저도 직장다니면서 해보니... 시간이 참 부족했지만 여러 모델들과 sota모델들을 비교하며 디코더 바꿔가면서 시간이 많이 걸렸네요
다들 어떤 모델의 아키텍처를 사용했는지 궁금해지네요 ㅎㅎ

항상 전 GPU를 좋은 걸 가지고 있으면 어땠을까 하는 아쉬운 마음이 드네요ㅠ
전 계층적 분류로 아키텍처를 복잡하게 가져간게 좀 패착이지 않았나 싶기도 합니다.
고생하셨습니다!

저도 정확히 같은 문제로 고통받아 매우 공감이 가는 글입니다. 
하나 인사이트가 있다면 이미지 사이즈가 성능에 관건이었다고 생각되는데, 
progressive resizing 테크닉으로 학습 초반에는 224 등 낮은 해상도로 학습하다가 
학습 후반에 768px 이상으로 끌어올리는 방법이 학습 시간을 단축하는데 많은 도움이 됐던 것 같습니다.