YOLO v5를 공부하던 도중 Roboflow의 영상에서 좋은 코멘트를 발견해서 포스트로 남긴다. 사실 Roboflow의 의견은 아니고 YOLO v5를 발표한 Glenn Jocher의 Github comment이지만 아무리 찾아봐도 source page를 찾을 수 없어 Roboflow 영상의 주소를 출처로 남긴다.
Glenn Jocher에 따르면 YOLO v5의 목표는 mAP를 최대한 끌어올리는 것이라기보다는 다음 사항들을 고루 성취하는 것이다.
- ease of use
- exportability
- memory requirements
- speed
- mAP
- market size
YOLO v4 논문에서도 모델 개발자들이 다음과 같은 점들을 고려했다고 말하고 있다.
We hope that the designed object can be easily trained and used. For example, anyone who uses a conventional GPU to train and test can achieve real-time, high quality, and convincing object detection results, ...(후략)
위 사항들은 비단 YOLO와 같은 비전 모델에 대해서만 적용되는 것이 아니다. 딥러닝 모델을 새로 설계하거나 수정할 시 필수적으로 고려해야 하는 것들인 만큼 이 포스트를 통해 기억에 남기고자 한다.
