apdoa/picodet-m-six-epoch20

SIX 선행 20-epoch: 모델·중간 성능·이전 실험 비교

상태 확인: 2026-09-06T19:33:05+09:00. 이 보고서는 선행 condition별 CSA 학습 12개의 결과다. SIX 최종 6방법(20+20 epoch) 비교 완료 보고서가 아니다.

1. 무엇이 완료됐나

• 일반형 6개·공간채널 병렬형 6개 모두 20 epoch 학습 완료. 각 모델은 10,220 iteration을 수행했다.
• E5/E10/E15/E20 전체 모델 48개, adapter-only 48개, 분해용 tensor NPZ 48개를 원본 SHA로 검증했다.
• 현재 완전한 condition 평가가 끝난 checkpoint는 8/48개다. 학습이 끝났다는 이유로 E20 AP를 채우지 않는다.
• 아래 숫자는 해당 checkpoint의 650 source × 해당 condition의 10 severity 평가가 모두 끝난 경우만 표시한다. 부분 cell 평균은 사용하지 않는다.
• 공유 bank/CDA와 추가 20-epoch CSA의 최종 결과는 별도 후단 작업이다. 아직 최종 60-cell 평균을 제시하지 않는다.

2. 실험 목표와 공통 설정

충분히 학습한 condition별 독립 adapter를 확보하고, 그 보정을 분해한 공유 basis에서 고정 condition 계수와 severity-dependent 계수를 비교하기 위한 출발점이다. 이 선행 학습 자체는 CSA이며, severity에 따라 C를 생성하는 CDA가 아니다.

항목	설정
검출기	PicoDet-M/LCNet, 640×640, vehicle 1 class
Base	동일 clean W0; weight와 BN running state 고정
일반형	21개 저랭크 adapter, rank=alpha=4, condition별 U/V/C 학습
공간채널형	같은 21개 중 DW 5개를 병렬 공간·채널 보정으로 변경, 공간 basis d=4
Trainable parameter / condition	일반형 82,288; 공간채널형 43,176. 동일 parameter 수 비교는 아님
데이터	원본 12,264개에서 해당 condition의 고정 severity view 12,264장; 모든 condition 모델은 동일 원본을 사용
샘플링	Frozen Balanced7에서 해당 condition만 선택. 원본·condition별 한 severity, 전체 데이터에 10개의 수준 분포. Epoch마다 재샘플링하지 않음
Clean 학습	해당 condition 선행 CSA에는 별도 Clean view 없음
학습	20 epoch, DDP2×12=global batch24, 511 iteration/epoch, seed7301
Optimizer	AdamW, LR1e-4, L2 factor0.05, warmup300, cosine20
Loss / context	Detection loss만; condition 선택은 Oracle, Bootstrap은 고정. Condition/severity 보조 loss 없음
정답 배정	Epoch1–10 ATSS, epoch11–20 TaskAligned; 기존 5-epoch 실험은 ATSS까지만 수행
평가	원본이 train과 겹치지 않는 calibration650 source; condition10 severity+Clean. Development이며 외부 test가 아님

일반형과 공간채널형은 보정 구조뿐 아니라 학습 가능한 parameter 수도 다르다. 미래의 후단 4-GPU 설정은 이 공개 선행 checkpoint의 DDP2 학습 이력을 바꾸지 않는다.

3. 20-epoch 학습 모델별 성능표

모든 행의 학습은 완료다. 각 숫자는 corruption condition 평균 AP@[.50:.95], 0–1 단위이며 E5도 20-epoch 스케줄 도중의 checkpoint다. 기존 5-epoch 스케줄의 E5와 같은 학습률 이력이 아니다.

모델	E5 AP	E10 AP	E15 AP	E20 AP	E20 전체 모델	Adapter-only	실제 설정
일반 ColorQuant	—	—	—	—	모델	adapter	config
일반 Fog	—	—	—	—	모델	adapter	config
일반 LowLight	—	—	—	—	모델	adapter	config
일반 MotionBlur	—	—	—	—	모델	adapter	config
일반 Snow	0.39226	—	—	—	모델	adapter	config
일반 Brightness	0.47846	0.47981	—	—	모델	adapter	config
공간채널 ColorQuant	—	—	—	—	모델	adapter	config
공간채널 Fog	0.46942	0.47145	—	—	모델	adapter	config
공간채널 LowLight	0.34115	0.34918	—	—	모델	adapter	config
공간채널 MotionBlur	—	—	—	—	모델	adapter	config
공간채널 Snow	0.39555	—	—	—	모델	adapter	config
공간채널 Brightness	—	—	—	—	모델	adapter	config

모든 epoch 파일과 state/completion은 각 모델 폴더에 있다. E20 AP가 —인 모델도 E20 checkpoint 자체는 학습 완료 및 hash 검증을 통과했다.

4. 이전 실험과 같은 condition 범위로 비교

현재 평가가 끝난 checkpoint만 비교한다. 이전 점수는 원래 60-cell 전체 평균이 아니라 그 모델의 해당 condition 10-cell 평균으로 다시 맞췄다. 구성·context 입력·노출량·학습률 스케줄이 달라 인과적인 epoch ablation은 아니다.

현재 checkpoint	현재 AP	이전 AJ R_qh E5	이전 AJ D_independent E5	이전 SC Oracle-anchor E5	현재−SC
SIX_G_PRE_Snow E5	0.39226	0.39420	0.40502	0.39104	+0.00122
SIX_G_PRE_Brightness E5	0.47846	0.47984	0.48030	0.48073	-0.00226
SIX_G_PRE_Brightness E10	0.47981	0.47984	0.48030	0.48073	-0.00092
SIX_SC_PRE_Fog E5	0.46942	0.45808	0.46510	0.45891	+0.01050
SIX_SC_PRE_Fog E10	0.47145	0.45808	0.46510	0.45891	+0.01254
SIX_SC_PRE_LowLight E5	0.34115	0.34319	0.34791	0.33680	+0.00435
SIX_SC_PRE_LowLight E10	0.34918	0.34319	0.34791	0.33680	+0.01238
SIX_SC_PRE_Snow E5	0.39555	0.39420	0.40502	0.38888	+0.00667

R_qh는 q+h MLP 기반 CDA이며, D_independent는 condition별 U/V를 둔 기존 CDA 변형이다. 후자는 이번 condition별 독립 선행 CSA와 같은 방법이 아니다. SC_AO는 정답 context의 anchor 보간 모델이며 동일 구조 이름끼리 연결했다.

현재 부분 결과로 전체 순위를 정하거나 “20 epoch가 더 좋다”고 결론 내리지 않는다. SIX E20 전체 평가가 완료되어야 E5→E20의 AP 변화를 확인할 수 있고, 그 차이에도 epoch11의 정답 배정 전환이 포함된다. 서로 다른 condition의 일부 점수를 평균해 최종 60-cell AP로 표시하지 않는다.

5. 학습 로그의 해석

일반형 Fog의 로그 표본 평균 loss는 E5 1.406 → E10 1.396 → E11 1.256 → E20 1.236이다. LowLight는 1.907 → 1.868 → 1.612 → 1.589다. 각 epoch의 26개 출력 로그를 평균한 진단값이며 전체 batch의 정확한 평균 loss나 AP가 아니다.

Epoch10→11에 ATSS→TaskAligned로 학습 대상과 점수 가중치가 바뀌므로, 이 구간의 loss 하락을 그대로 detection 향상으로 읽으면 안 된다. 12개 모두 base tensor543개와 BN running state가 변경되지 않았고, AMP skip은 모델당 2–5회/10,220 iteration이다. “학습 완료”는 이 실행 계약을 통과했다는 뜻이지 수렴·우수 성능 보장은 아니다.

6. 모델·데이터·재현 연결

• 공통 clean W0
• 공통 고정 Bootstrap의 출처 R_qh E5 — 이번 adapter 초기값을 가져오는 용도가 아니라 Bootstrap weight만 사용.
• 공통 모델 출처와 SHA
• SIX frozen 설계 JSON — 원본의 proposed 표기는 설계 작성 시점 이력이며 현재 상태는 이 보고서의 snapshot을 따른다.
• 48개 모델·평가 연결 manifest
• 평가 원자료·학습 로그 집계
• 이전 방법의 condition별 비교 근거

이미지는 포함하지 않는다. 데이터는 apdoa/continuous-cg-full-grid와 프로젝트의 Frozen Balanced7/condition COCO 안내를 사용한다. 원격 절대 경로가 남아 있는 원본 config는 실행 이력이며 새 환경에서는 경로를 바꿔야 한다. 데이터 행을 새로 샘플링하지 않는다.

다운로드 및 단일 condition 평가

PaddleDetection 2.9와 기존 실험에 맞는 Paddle 환경이 필요하다. 이 모델은 Transformers용 모델이 아니며 AutoModel로 로드하지 않는다. model.pdparams도 adapter module을 포함한 전체 state라 plain PicoDet에 그대로 넣지 않는다. adapter_only.pdparams는 W0와 동일 adapter 구현 없이는 독립 검출기가 아니다.

from huggingface_hub import snapshot_download
package = snapshot_download("apdoa/picodet-m-six-epoch20", revision="main")

python /path/to/package/code/evaluate_six_hf_checkpoint.py \
  --package /path/to/package --job SIX_SC_PRE_Fog --epoch 20 \
  --paddledet-root /path/to/PaddleDetection_2.9 \
  --annotation /path/to/calibration/coco/Fog/s05.coco.json \
  --output-dir /path/to/evaluation_output

--prepare-only를 추가하면 GPU 평가 없이 경로를 바꾼 설정과 실행 command만 생성한다. COCO의 condition/severity metadata를 유지하고 file_name은 실제 로컬 이미지 경로로 맞춰야 한다. 여기에 제시한 command는 해당 condition 하나의 한 severity 평가이며 최종 전체-grid 평가는 별도다.