저번주 컴퓨터 비전 강의를 5일정도 들으며 이틀정도 YOLO모델을 사용해서 Object Detection을 공부해볼수 있는 기회가 있었다.
CNN이나 이미지 분류 모델에 대해서는 조금이나마 경험도 해보고 공부도 해본적 있었지만 사물인식은 이번이 처음이라 내일부터 진행되는 이틀간의 프로젝트에 도움이 되고자 정리를 해보려 한다.
Object Detection
사물인식은 크게 3부분으로 구성된다할 수 있다.
- 하나는 특징추출과, 위치정보를 가져오는데 사용되는 백본
- Neck은 단어 말대로 백본과 헤드를 이어주는 역할을하고 백본에서 추출된 feature들을 정교하게 가공하는 과정이라 할 수 있다. Neck에 여러 map이 존재하면서 한 이미지에 대한 다양한 Object Detection이 가능하게 한다.
- 헤드는 loss계산과 예측을 수행한다. (Localization & classification)
Object Detection에서 사용되는 다양한 지표
Confidence Score
그림에도 있지만 Bounding Box가 존재할때 안에 object가 존재할 확률을 의미한다.
0에 가까울수록 박스안에 물체가 있을 가능성이 높다 할수 있다.
IOU (Intersection Over Union)
학습된 모델에서 실제 물체 위치인 박스를 Ground Truth라하고 예측한 박스를 predicted라고 한다.
이때 두 박스가 겹치는 비율을 의미한다. 단어 그대로 두 박스의 교집합이다.
Precision과 Recall
classfication task에서 많이 접해봤을 수 있다.
Precision 정밀도
정답이라 예측한 것들 중의 실제 정답인 확률을 의미한다. (matrix 열방향)
Accuracy 재현도
실제로 정답인것들중에 정답이라고 예측된 확률을 의미한다. (matrix 행방향)
AP(Average Precision), mAP(mean Average Precision)
confidence score 값을 조절하면 얻어진 Reacall값의 변화에 따른 Precision의 곡선을 PR곡선(Precision-Recall Cvurve)이라 한다. 이렇게 얻어진 Precision값의 평균을 AP(Average Precision)이라고 한다.
AP는 알고리즘의 성능을 하나의 값으로서 PR곡선의 면적을 의미한다. AP가 높을수록 알고리즘의 성능이 전체적으로 우수하다고 이해할 수 있다.
mAP란 단일 객체가 아닌 모든 객체에 대한 모델의 종합적인 성능을 측정하기 위해 모든AP의 값의 평균을 의미한다.
출처
