목표

6회차: 23/08/12 13:00~16:00
계획: YOLO 논문 분석 (4)
방향: 'A COMPREHENSIVE REVIEW OF YOLO: FROM YOLOV1 AND
BEYOND' 논문 분석

결과

YOLOv7

C.-Y. Wang, A. Bochkovskiy, and H.-Y. M. Liao, “Yolov7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors,” arXiv preprint arXiv:2207.02696, 2022

• Developments(Bag-of-Freesbies)
  • Modified RepVGG: RepVGG에서의 identity 연결이 residual 전달과 concatenate에 악영향을 끼친다고 판단해 이를 제거
  • Coarse Label Assignment for Auxiliary Head and Fine Label Assignment for the Lead Head: head를 lead head와 auxiliary head로 구분해 label assignment를 수행
• Architecture
  • E-ELAN(Extended Efficient Layer Aggregation Network)
    • 긴 gradient 경로를 제어해 모델이 더 효율적으로 학습할 수 있도록 하는 전략
    • 서로 다른 그룹의 feature를 결합해 gradient 경로를 파괴하지 않음
  • Model Scaling for Concatenation-Based Models: concatenation 기반의 모델인 YOLOv7의 depth와 width를 같은 비율로 조절해 최적의 모델 구조를 유지

YOLOv8

G. Jocher, A. Chaurasia, and J. Qiu, “YOLO by Ultralytics.” https://github.com/ultralytics/ultralytics*, 2023*

• YOLOv8-seg
  • Semantic Segmentation을 위한 모델 포함
  • CSPDarknet53-C2f module-Decoupled 구조
  • Semantic Segmentation 분야의 SOTA
• Architecture
  • C2f Module(Cross-Stage Partial Bottleneck with Two Convolutions)
    • CSPLayer를 수정한 backbone network
    • high-level feature를 contextual 정보와 결합
  • Anchor-Free
  • Decoupled Head
    • objectness, classification, regression를 각각 수행
    • 각 task 집중함으로써 정확도 향상
    • objectness score 계산을 위해 sigmoid function 사용
    • class probability 계산을 위해 softmax function 사용
    • bbox loss 계산을 위해 CIoU와 DFL loss를 사용
    • classification loss 계산을 위해 binary cross-entropy를 사용

Conclusion

• Key Features of YOLO
  • Anchors
    • YOLOv1에서는 anchor를 도입하지 않음
    • YOLOv2~YOLOv5에서 anchor를 도입하면서 bbox 예측의 정확도를 향상시킴
    • YOLOX부터는 anchor-free를 채택해 이후 버전에서도 이 기조가 유지됨
  • Framework
    • 초기에는 Darknet 프레임워크에서 개발됨
    • Darknet에서 개발된 YOLOv3를 Pytorch에서 개발해 재배포를 시작으로 다른 버전들도 Pytorch를 사용해 개발
    • 새로운 프레임워크를 통해 성능 향상에 기여함
  • Backbone: 버전에 따른 backbone network의 변화
    • Darknet: convolutional layer와 max pooling layer로 구성
    • CSP(Cross-Stage Partial Connections)를 YOLOv4에 도입
    • Reparameterization(RepVGG)을 YOLOv6, YOLOv7에 도입
  • Performance
    • speed와 accuracy 간의 balance를 유지하면서 성능을 개선시킴
• Future
  • Incorporation of Latest Techniques
  • Benchmark Evolution
  • Proliferation of YOLO Models and Applications
  • Expansion into New Domains
  • Adaptiablility to Diverse Hardware