[Boostcamp Lv2][P stage] Week9-Day37. Object Detection :: seoftware

📜 강의 정리 

---

Obeject Detection Overview

 

1. Task

• classification : 이미지를 보고 어떤 객체인지 분류하는 것
• object detection : bbox로 객체의 위치를 찾고 종류를 분류하는 것
• semantic segmentation : 객체의 위치와 종류를 픽셀 단위로 분류하는 것
• instance segmentation : semantic segmentation에 object detection의 기능을 더해서 같은 종류의 객체라도 다른 객체로 분류하는 것

 

2. History

 

3. Evaluation

모델의 평가 지표로 성능과 속도를 사용할 수 있다. 성능의 평가 지표로는 mAP, 속도의 평가 지표로는 FPS, Flops가 있다.

✔ mAP(mean Average Precision)

mAP는 각 클래스당 AP의 평균이다. mAP를 이해하기 위해서는 confusion matrix, precision&recall, PR curve, AP, IoU 등에 대한 개념을 알아야 한다.

• confusion matrix

  • 

• precision & recall
  • precision은 True로 예측한 것 중에 맞춘 것(True인 것), Recall은 정답(True) 중에 True라고 예측한 것을 의미 

• PR curve
  • confidence 순으로 정렬한 후에 누적 precision과 누적 recall을 구하여 (recall, precision)의 표로 표현한 것.

• AP
  • PR curve에서 최소 크기는 0이고 최대 크기는 1이므로 PR curve의 아래 면적에 해당하는 부분이 AP이다.

• mAP
  • AP의 평균

• IoU

 

✔ FPS(Frames Per Second)

FPS는 모델의 속도를 측정하는 메트릭으로, 초당 처리하는 frame 수를 의미한다. FPS가 클수록 모델이 빠름.

 

✔ FLOPs (Floating Point Operations)

FLOPS는 모델의 속도를 측정하는 메트릭으로, 연산량의 횟수를 의미한다. Flops가 작을수록 빠른 모델.

 

4. Library

✔ MMDetection

• pytorch 기반의 object detection library. 많은 연구가 MMDetection을 사용해서 진행되고 있으니, github에서 보면 좋음.

✔ Detectron2

• Detectron 2 는 페이스북 AI 리서치의 라이브러리로 pytorch 기반의 Object detection과 segmentation 의 알고리즘 제공

✔ YOLOv5

• coco 데이터셋으로 사전 학습된 모델로 수천 시간의 연구와 개발에 걸쳐 발전된 Object Detection 모델

• Colab kaggle Docker, AWS, Google Cloud Platform 등 에서 오픈 소스를 제공

✔ EfficientDet

• EfficientDet 은 Google Research Brain 에서 연구한 모델로 EfficientNet 을 응용해 만든 Object Detection 모델
• Tensorflow 로 제공되는 EfficientDet 을 사용할 수 있으며 깃헙에 pytorch 기반으로 구현된 라이브러리 역시 존재