YOLO 모델의 주요 특징과 장점

attention

위에서 살펴본 YOLOv8 detection 모델은 attention 을 사용하지는 않으나 YOLO 계열이나 다른 변형 모델에서는 attention 을 사용하는 경우가 있음.

Channel Attention

어떤 채널이 중요한가

• 각 채널당 AdaptiveAvgPool2d 로 채널별 대표 값을 생성 (C,1,1) x N
• 1x1 conv를 통해 이 채널 대표값들로부터 채널별 attention weight를 계산
• 계산된 attention weight를 원본 입력 feature에 채널별로 곱해서 중요한 채널은 강조하고 덜 중요한 채널은 약화

Spatial Attention

어떤 위치가 중요한가

• 채널 축 기준으로 평균을 생성 (1,H,W)
• 채널 축 기준 max 생성 (1,H,W)
• 위의 두 텐서를 채널 방향 concat (2,H,W)
• Conv2d 로 1채널로 줄임 (1,H,W)
• 원본 입력의 각 채널별로 곱해서 중요한 위치는 강조하고 덜 중요한 위치는 약화

anchor-free

SSD 같이 하이퍼파라메터로 anchor 박스를 받는게 아닌 모델 자체에서 특성맵의 공간 크기에 맞춰 일정한 stride 를 두고 기준점을 만든 후 해당 점에서 박스 경계를 찾기 시작함

mAP(mean Average Precision)

AP(Average Precision)

하나의 클래스에 대해 PR AUC를 구하되, 객체 탐지 평가의 특성에 맞게 수치를 보정(Interpolation)하여 계산한 면적. (추가 공부 필요)

mAP

각 클래스별로 계산된 모든 AP 값의 평균

---

• 객체 탐지 모델에서는 평가지표로서 활용됨. 성능 및 정밀도 측정 도구
• 불연속적이라 미분 불가능하기 때문에 Loss 로는 사용하기 어려움