Junu's Lab
LAB ONLINE Focus Computer Vision / ML / Animal Behavior
Project Detail

WildlifeVision Baseline — scikit-learn

촬영 환경 변화에도 흔들리지 않는 카메라트랩 이미지 분류 베이스라인을 scikit-learn으로 구축한다

Archived
Group
ml
Domain
Stack
scikit-learn, Python
Roles
🛠️ ML Engineer, 🔢 Data Analyst Modeling
Output
🧠 ML

Untitled

Site-Generalized Wildlife Classifier

카메라트랩 이미지를 scikit-learn 기반 전통 특징으로 분류하고, site 단위 일반화 성능을 검증·제출까지 완주하는 학습형 CV 프로젝트
Traditional CV → Probabilistic Classifier → GroupKFold (site) → Submission
공모전: https://www.drivendata.org/competitions/87/competition-image-classification-wildlife-conservation/ 현재 단계: 베이스라인 구축 및 1차 제출 목표
🎯 Executive Summary
  • 문제: 카메라트랩 이미지 분류는 촬영 환경 변화 가 크고, 무작위 분할로 평가하면 실제 성능을 과대평가하기 쉽다.
  • 해결: 이미지에서 “Histogram of Oriented Gradients, HOG” 특징을 추출 하고 scikit-learn 확률 분류기 로 학습하되, 검증은 GroupKFold 로 고정하여 “site 일반화”를 반영한다.
  • 결과: (2026-02-14 기준)
    • GroupKFold(site) 평균 log loss: 1.8639499
    • 1회 제출 점수(리더보드): 1.9354
    • 실험 수(베이스라인/개선): 40
  • 다음 단계:
    • 2주: HOG Feature 조정
    • 2개월:
    • 2분기:

1. 배경·목표

  • 사용자/페르소나:
    • (학습 관점) Computer Vision/ML 입문~중급 학습자 (본인)
    • (문제 관점) 보전 생태 연구/현장 모니터링에서 카메라트랩 이미지를 분류해야 하는 연구자/기관
  • 성공 기준(KPI):
    • GroupKFold(site) 기준 평균 log loss 개선
    • 제출 성공 1회 이상
    • 실험 기록 템플릿으로 실험 10회 이상 누적 (재현/비교 가능)
  • 범위(Out of scope):
    • 딥러닝 기반 end-to-end 탐지/분류 모델 학습 (예: YOLO/ResNet fine-tuning)
    • 외부 데이터 추가 수집 (대회 규정상 제한)

2. 역할·스택·기간

  • 역할/기여: ML/데이터/기획 100% (개인)
  • 스택:
    • Python
    • scikit-learn (Logistic Regression, SVM, CalibratedClassifierCV, GroupKFold, log loss)
    • scikit-image / OpenCV (이미지 전처리, HOG)
    • pandas/numpy
  • 기간: 2026-02-11 ~ YYYY-MM-DD

3. 데모 & 링크

4. 아키텍처 요약

  • 다이어그램(1장 첨부): (추후)
  • 데이터 흐름/외부 의존성:
    • CSV 로드 (train_features/train_labels/submission_format)
    • 이미지 로딩 (filepath)
    • 전처리 (resize, grayscale)
    • 특징 추출 (HOG)
    • 모델 학습/평가 (GroupKFold by site, log loss)
    • 전체 train 재학습 → test 예측 → submission.csv 생성
  • 배포/CI·CD/롤백:
    • 계획없음

5. 핵심 기능 (스크린샷/GIF 포함)

완성 이후 추가 예정
  1. site-aware 검증 파이프라인 — 실제 테스트 조건에 맞춘 일반화 평가 / (엣지) site 불균형 시 fold 조정
  2. HOG 특징 기반 분류 베이스라인 — 딥러닝 없이도 end-to-end 제출 가능 / (엣지) 이미지 크기 불일치 → 고정 resize

6. 기술 결정 (ADR 요약)

  • 결론: HOG + scikit-learn 확률 분류 + GroupKFold(site)
    • 버린 대안: 랜덤 split 기반 평가, 딥러닝 end-to-end 학습
    • 근거: 학습 목표가 기초부터 구현 + 대회 핵심 제약(site 일반화) 반영 + 재현 가능한 실험 설계
  • 리스크 및 완화:
    • 리스크: 전통 특징만으로 성능 한계
      • 완화: (추후) pre-trained 임베딩을 feature로 사용하고 분류기는 sklearn로 유지
    • 리스크: HOG 특징 추출 비용(시간)
      • 완화: 특징 캐싱(cache) 도입, 이미지 크기 축소 실험

7. 문제와 해결 (버그·장애 포함)

  • 이슈: (추후 기입)
  • 이슈: (추후 기입)

8. 측정 결과 (전/후 비교)

Source: author's Notion note
Source: author’s Notion note

9. 회고 & 개선

완성 이후 기록 예정
  • 잘된 점 3가지(근거 포함): (추후)
  • 아쉬운 점 3가지(원인/조치): (추후)
  • 기술 부채 목록과 상환 계획 (예상):
    1. 특징 캐시/실험 재현성(High, 0.5d)
    2. 실험 기록 자동화(중간, 1~2d)
    3. LangChain 기반 실험 요약 리포트 생성(중간, 2~3d)