cmes-deepvision/ACR-instance-segmentation-RF-Refinement-v1.0.1

ACR Instance Segmentation RF-DETR Refinement v1.0.1

ACR Refinement 작업을 위한 RF-DETR Seg2XLarge instance segmentation 모델입니다. v1.0.0 가중치를 이어받아 30 epochs 추가 fine-tuning한 EMA 체크포인트입니다.

파일

파일	설명
cmes_RF_Refinement_960_v1.0.1.pth	RF-DETR Seg2XLarge 30-epoch 추가 학습 EMA weight
config.yaml	모델, 학습, 추론 및 평가 설정
evaluation.json	평가 결과
EVALUATION.md	평가 방법, 체크포인트 선정 근거, cross-environment 검증
SHA256SUMS	업로드 파일 무결성 확인값
events.out.tfevents.*	이번 30-epoch 학습의 TensorBoard 로그 (tensorboard --logdir .)

주요 설정

• 모델: RFDETRSeg2XLarge
• RF-DETR: 1.9.0
• 입력: RGB, 960 x 960
• 권장 confidence threshold: 0.40 (v1.0.0의 0.50에서 변경 — 아래 "적용 시 주의" 참고)
• 최대 detection 수: 300
• 클래스 수: 3
• 초기 가중치: ACR-instance-segmentation-RF-Refinement-v1.0.0 (from-scratch 재학습이 아님)
• 추가 학습: 30 epochs, BF16, 8 GPU, EMA decay 0.993
• 선택된 체크포인트: checkpoint_27.ckpt (epoch 28, 0-indexed 27) + EMA — 아래 "체크포인트 선정 근거" 참고

클래스 ID는 다음 순서를 따릅니다.

0  possible
1  impossible
2  under_possible

설치

python -m pip install rfdetr==1.9.0 torch torchvision pillow numpy pyyaml huggingface_hub

다운로드

from huggingface_hub import hf_hub_download

weight_path = hf_hub_download(
    repo_id="cmes-deepvision/ACR-instance-segmentation-RF-Refinement-v1.0.1",
    filename="cmes_RF_Refinement_960_v1.0.1.pth",
)

PyTorch 추론

import torch
from PIL import Image
from rfdetr import RFDETRSeg2XLarge

model = RFDETRSeg2XLarge.from_checkpoint(
    weight_path,
    trust_checkpoint=True,
    resolution=960,
    device="cuda:0",
)
model.inference(compile=False, batch_size=1, dtype=torch.float16)

image = Image.open("image.jpg").convert("RGB")
detections = model.predict(
    image,
    threshold=0.40,
    shape=(960, 960),
    patch_size=12,
    include_source_image=False,
)

이 파일은 PyTorch pickle 기반 형식입니다. 신뢰할 수 있는 저장소에서 받은 파일에만 trust_checkpoint=True를 사용하십시오.

적용 시 주의: confidence threshold는 config.yaml에서 자동으로 읽히지 않습니다

config.yaml의 inference.confidence_threshold: 0.40은 문서화된 권장값일 뿐입니다. rfdetr의 model.predict(..., threshold=...)도, perception_module의 RFDetrSegmentation.initialize()도 이 파일에서 threshold를 읽지 않습니다. 실제 적용되는 threshold는 항상 호출부가 넘기는 인자(perception 배포라면 ModelRegistry/운영 설정, 직접 호출이라면 위 예제의 threshold= 인자)로 결정됩니다. 이 모델을 confidence 0.40으로 배포하려면 perception 운영 설정에도 0.40을 별도로 지정해야 합니다.

평가 결과

acr_rf109_refinement_v100_finetuning test split 525장, score threshold 0.40, IoU 0.50 기준입니다. 이 split에 GT가 없는 under_possible 클래스는 예측에서 제외하고 집계했습니다.

Precision	Recall	F1	bbox mAP@0.5	segm mAP@0.5
0.7202	0.6425	0.6792	0.7294	0.7263

체크포인트 선정 근거

30 epoch 전체를 단일 최고점(top-1)으로 고르지 않고, validation F1이 안정적으로 plateau를 이루는 epoch 21-30 구간(EMA 평균 69.07 ± 0.40, regular 평균 68.99 ± 0.49)에서 대표 epoch을 선택했습니다. 개별 epoch 간 F1 차이(~1점 내외)는 이 구간 표준편차 안에 있어 순위로서의 의미가 크지 않다고 판단했고, checkpoint_27 (epoch 28) EMA를 최종으로 선정했습니다.

알려진 제약 사항

• validation == test 중복: 이 track은 allow_test_overlap: true로 설정되어 있어 validation과 test가 같은 task를 공유합니다. 위 평가 결과는 체크포인트 선택 근거로는 유효하지만, 완전히 독립적인 generalization 성능 주장으로는 사용할 수 없습니다.
• Native ↔ perception_module cross-environment 검증: 이 패키지(config.yaml + pth)를 학습 컨테이너의 native rfdetr 경로와, 실제 배포 어댑터인 crp_perception.core.models.rfdetr_mask.RFDetrSegmentation을 통해 별도 Docker 환경에서 각각 로드해 같은 error-case 이미지 세트로 비교했습니다. 고신뢰도 detection은 두 환경이 거의 동일했고(box 차이 2px 이하, score 차이 0.001 이하), 매칭된 detection 쌍의 mask IoU 중간값은 0.996-0.997, 90% 이상이 IoU 0.9 이상이었습니다. 남은 차이는 score가 threshold 경계(0.4-0.5 부근)에 걸친 저신뢰도 detection이 서로 다른 torch/CUDA 빌드 간 부동소수점 비결정성으로 포함/제외가 뒤바뀌는 정상적인 현상이며, 가중치·config·adapter의 결함이 아닙니다. 자세한 방법은 EVALUATION.md를 참고하십시오.