[Object Detection] YOLO의 모든것 - 객체 탐지란?

객체 탐지란?

• 한 이미지에서 객체와 그 경계 상자를 탐지
• 객체 탐지 알고리즘은 일반적으로 이미지를 입력으로 받고, 경계 상자와 객체 클래스 리스트를 출력
• 경계 상자에 대해 그에 대응하는 예측 클래스와 클래스의 신뢰도를 출력

객체 탐지가 어느 곳에 주로 활용될까?

• 자율 주행 자동차에서 다른 자동차와 보행자를 찾을 때
• 의료 분야에서 방사선 사진을 사용해 종양이나 위험한 조직을 찾을 때
• 제조업에서 조립 로봇이 제품을 조립하거나 수리할 때
• 보안 산업에서 위협을 탐지하거나 사람 수를 셀 때

Bounding Box

• 이미지에서 하나의 객체 전체를 포함하는 가장 작은 직사각형

경계 상자

IOU (Intersection Over Union)

• 실측값과 모델이 예측한 값이 얼마나 겹치는지를 나타내는 지표

• IOU가 높을수록 잘 예측한 모델

1에 가까울수록 잘 예측한 모델

실측값 경계 상자와 예측값 경계 상자

NMS (Non-Maximum Suppression, 비최댓값 억제)

• 확률이 가장 높은 상자와 겹치는 상자들을 제거하는 과정으로 최댓값을 갖지 않는 상자들을 제거
• 1. 확률 기준으로 모든 상자를 정렬하고 먼저 가장 확률이 높은 상자를 취함
  2. 각 상자에 대해 다른 모든 상자와의 IOU를 계산
  3. 특정 임곗값을 넘는 상자는 제거

모델 성능 평가

• 정밀도와 재현율
  
  
  • 일반적으로 객체 탐지 모델 평가에 사용되지는 않지만, 다른 지표를 계산하는 기본 지표 역할을 함
  • True Positives (TP): 예측이 동일 클래스의 실제 상자와 일치하는지 측정
  • False Positives (FP): 예측이 실제 상자와 일치하지 않는지 측정
  • False Negatives (FN): 실제 분류값이 그와 일치하는 예측을 갖지 못하는지 측정
  • 정밀도 = TP / TP + FP, 재현율 = TP / TP + FN
  • 모델이 안정적이지 않은 특징을 기반으로 객체 존재를 예측하면 거짓긍정(FP)이 많아져서 정밀도가 낮아짐
  • 모델이 너무 엄격해 정확한 조건을 만족할 때만 객체가 탐지된 것으로 간주하면 거짓부정(FN)이 많아져서 재현율이 낮아짐
• 정밀도-재현율 곡선
  
  
  • 신뢰도 임계값마다 모델의 정밀도와 재현율을 시각화
  • 모든 bounding box와 함께 모델이 예측의 정확성을 얼마나 확실하는지 0 ~ 1사이의 숫자로 나타내는 신뢰도를 출력
  • 임계값 T에 따라 정밀도와 재현율이 달라짐
    
    
    • 임계값 T 이하의 예측은 제거함
    • T가 1에 가까우면 정밀도는 높지만 재현율은 낮음
      놓치는 객체가 많아져서 재현율이 낮아짐. 즉, 신뢰도가 높은 예측만 유지하기때문에 정밀도는 높아짐
    • T가 0에 가까우면 정밀도는 낮지만 재현율은 높음
      대부분의 예측을 유지하기때문에 재현율은 높아지고, 거짓긍정(FP)이 많아져서 정밀도가 낮아짐
  • 예를 들어, 모델이 보행자를 탐지하고 있으면
    특별한 이유없이 차를 세우더라도 어떤 보행자도 놓치지 않도록 재현율을 높여야 함
  • 반면,
    모델이 투자 기회를 탐지하고 있다면
    일부 기회를 놓치게 되더라도 잘못된 기회에 돈을 거는 일을 피하기 위해 정밀도를 높여야 함
  • 그러므로 어떠한 모델의 특성(동작)에 따라서 재현율을 높이거나, 정밀도를 높이거나 하게 됨

AP (Average Precision, 평균 정밀도) 와 mAP(mean Average Precision)

• 곡선의 아래 영역에 해당
• 항상 1x1 정사각형으로 구성되어 있음 (즉, 항상 0 ~ 1 사이의 값을 가짐)
• 단일 클래스에 대한 모델 성능 정보를 제공
• 전역 점수를 얻기위해서는 mAP를 사용
  예를 들어, 데이터셋이 10개의 클래스로 구성된다면 각 클래스에 대한 AP를 계산하고, 그 숫자들의 평균을 다시 구함
• mAP 사용 예시
  
  
  • 최소 2개 이상의 객체를 탐지하는 대회인 PASCAL Visual Object Classes와 Common Objects in Context에서 사용됨
  • COCO 데이터셋이 더 많은 클래스를 포함하고 있기 때문에 보통 Pascal VOC보다 점수가 더 낮게 나옴

데이터셋

• VOC Dataset
  
  
  • 2005년부터 2012년까지 진행
  • Object Detection 기술의 benchmark로 간주
  • 데이터셋에는 20개의 클래스가 존재
  • 훈련 및 검증 데이터 : 11,530개
  • ROI에 대한 27,450개의 Annotation이 존재
  • 이미지당 2.4개의 객체 존재
  • http://host.robots.ox.ac.uk/pascal/VOC/
• COCO Dataset (Common Objects in Context)
  
  
  • 200,000개의 이미지
  • 80개의 카테고리에 500,000개 이상의 객체 Annotation이 존재
  • https://cocodataset.org/#home

 

 

 

참고자료

 

객체 탐지 Object Detection - YOLO의 모든것 / 포트홀 탐지, 연기 탐지, 안전모 탐지, 주차공간 탐지

https://youtu.be/fdWx3QV5n44