YOLO v1~v3 퀵 리뷰
급할때 보려고 만든 YOLO v1~v3 퀵 리뷰 입니다.
YOLO
You only look once: Unified, real-time object detection
* 하지만 만약 필요하다면 앞 블로그 참조하고 오셔도 좋습니다.
6-1 Faster RCNN, YOLO, SSD 심플 차이점
... 그럼 시작합니다. ☆
Detection without Proposals: YOLO
Go from input image to tensor of scores with one big convolutional network!
https://pjreddie.com/darknet/yolo/?utm_source=next.36kr.com
이미지를 일정크기 그리드셀로 나누어 예측
x, y 는 중심점
inpit을 S x S 그리드로 나눈다. (논문 S=7)
각 그리드 셀은 B개의 Bbox정보 (x,y,w,h,conf)를 예측 (논문 B=2)
각 그리드 셀은 C개의 클래스 확률을 예측(논문 C=20)
-> 98개의 Bbox가 물체의 위치와 20개의 클래스를 분류한다.
Bbpx 두개에 대한 텐서값
Loss Function
Yolo v1 은 최초의 one-stage object detection network 라는 점이 중요.
YOLO v2
성능향상의 요인
1 Batch Normalization
2 High Resolution Classifier
3 Convolutional
4 Anchor Boxes
5 new network
6 Dimension Clusters
7 Location prediction
8 passthrough
9 Multi-Scale Training
10 Fine-Grained Features
High Resolution Classifier
2단계 학습 방법 - Fine Tuning
mAP 4% 향상
Convolutional & Multi-Scale Training
Fully Convolutional Network 방식을 도입 - 다양한 해상도로 입력 이미지를 취할 수 있습니다.
최종 특징맵의 크기가 홀수가 되도록 함.
228x228 입력의 경우 90 FPS 이고 mAP는 Fast R-CNN 과 비슷합니다.
Anchor Boxes & Dimension Clusters
앵커박스를 사용하면서 성능은 69.5 mAP 에서 69.2 mAP 로 조금 떨어졌으나 재현율(recall)은 81%에서 88%로 크게 상승되는 효과
좋은 IOU 점수로 이어지는 k-평균 클러스터링 이용
Direct Location Prediction
New network & Passthrough
그리드맵을 13x13 으로 증가 -> small object 예측에 효과적
hight resolution feature map 과 low resolution feature map 을 concaternation 해서 다양한 크기 예측
출력 형태
7x7x (5 x B+C) -> 13x13x (B x (5+C))
최종 성능
YOLO v3
https://pjreddie.com/darknet/yolo/
Bounding Box Prediction
Class Prediction
multi-label이 있을 수 있으므로 class prediction으로 softmax를 쓰지 않고 independent logistic classifiers를 썼다.
loss term도 binary cross-entropy로 바꾸었다.
Predictions Across Scales
3개의 bounding box
3개의 feature map 활용 (다른 scale, 각각 2배씩 차이)
Feature Extractor : Darknet-53
그 외..
full image 사용
no hard negative mining (IOU 낮은값들: Best IOU 값 비율 조정 안해주고 그냥 학습)
multi-scale training
data augmentation
batch normalization
* 2 랑 3 비교 테스트..
☆ 이상입니다. ☆
참고로 YOLOv4 는 아직 리얼 심플 리뷰만 있습니다. (추후 업뎃 예정)