iPhone이나 터미널 실습에 yolov를 배포하는 전체 과정

오랫동안 기다려온 클래식 탐지에는 또 다른 공격의 물결이 있습니다 - YOLOv5. 그중 YOLOv5에는 완전한 파일이 없습니다. 이제 가장 중요한 것은 YOLOv4를 파악하는 것입니다. YOLOv4는 표적 탐지 분야에서 많은 이점을 제공하고 특정 시나리오에서 크게 향상될 수 있습니다. 오늘은 YOLOv4를 분석해보겠습니다. 다음 호에서는 YOLOv5를 Apple 휴대폰에 배포하거나 단말기의 카메라를 통해 실시간으로 감지하는 연습을 해보겠습니다.

1. 기술 리뷰

CNN(Convolutional Neural Network)의 정확도를 향상시키는 것으로 고려되는 기능이 많이 있습니다. 이러한 기능의 조합은 대규모 데이터 세트에서 실제로 테스트되어야 하며 결과는 이론적으로 검증되어야 합니다. 일부 기능은 특정 모델, 특정 문제 또는 소규모 데이터세트에서만 작동하는 반면, 일괄 정규화 및 잔차 조인과 같은 일부 기능은 대부분의 모델, 작업 및 데이터세트에서 작동합니다. 본 논문에서는 이러한 공통 기능에 WRC(Weighted Residual Connection), CSP(Cross-Stage Connection), CMbN(Cross Minibatch Normalization), SAT(Self-Adversarial Training) 및 Mish 활성화가 포함된다고 가정합니다. 본 논문에서는 WRC, CSP, CMbN, SAT, 오류 활성화, 모자이크 데이터 증대, CMbN, DropBlock 정규화 및 CIoU 손실과 같은 새로운 기능을 사용하고 이들 중 일부를 결합하여 다음과 같은 효과를 달성합니다. 43.5% AP(65.7% AP50), 사용 MS+COCO 데이터 세트, Tesla V100에서 실시간 속도 65FPS.

2. 혁신 포인트 분석

모자이크 데이터 향상

훈련을 위해 4장의 사진을 한 장의 사진에 넣는 것은 변장의 미니 배치를 늘리는 것과 같습니다. 이는 두 개의 그림을 혼합하는 CutMix를 기반으로 한 개선 사항입니다.

Self-Adversarial Training

한 그림에서 신경망이 그림을 역으로 업데이트하고 그런 다음 이 이미지를 학습합니다. 이 방법은 이미지 스타일화의 주요 방법으로, 네트워크가 이미지를 역으로 업데이트하여 이미지를 스타일화할 수 있도록 합니다.

자기 적대적 훈련(SAT)은 2단계 순방향 역방향으로 작동하는 새로운 데이터 증대 기술을 나타냅니다. 1단계에서는 신경망이 이러한 방식으로 네트워크 가중치 대신 원본 이미지를 변경합니다. 2단계에서 신경망은 이 수정된 이미지에서 일반적인 방법으로 개체를 감지하도록 훈련됩니다.

Cross mini-batch Normal

CmBN은 아래 그림과 같이 CMBN(Cross Mini-Batch Normalization)으로 정의된 CBN의 수정된 버전을 나타냅니다. 이는 단일 배치 내에서 가장 작은 배치 간의 통계만 수집합니다.

modify SAM

SAM의 공간별 주목에서 포인트별 주목으로

;

PAN을 수정하여 채널을 덧셈(add)에서 으로 변경 연결. 실험

데이터 향상 방법을 예로 들면, 훈련 시간은 늘어나지만 모델 일반화 성능과 견고성은 더 좋아질 수 있습니다. 예를 들어 다음과 같은 일반적인 향상 방법이 있습니다.

• 이미지 교란,
• 밝기, 대비, 채도, 색조 변경
• 노이즈 추가
• 임의 크기 조정
• 임의 자르기
• 뒤집기
• 회전
• Random erasing
• Cutout
• MixUp
• CutMix

최강의 표적 탐지 기법을 많이 사용하고 있다는 것을 실험을 통해 알 수 있는데, 다음 표는 Random erasing에 대한 실험이다. 분류 네트워크:

CSPResNeXt-50 분류기 정확도

CSPDarknet-53 분류기 정확도

YOLOv4 감지 네트워크에서는 4가지 손실(GIoU, CIoU, DIOU, MSE), 라벨 스무딩, 코사인 학습 속도, 유전 알고리즘 하이퍼파라미터 선택, 모자이크 데이터 향상 및 기타 방법. 다음 표는 YOLOv4 감지 네트워크의 절제 실험 결과입니다.

CSPResNeXt50-PANet-SPP, 512x512

훈련에 다양한 훈련 가중치 모델 사용:

다양한 미니 배치 크기의 결과:

마지막으로 Maxwell, Pascal 및 Volta의 세 가지 GPU 시리즈에 대한 COCO 데이터 세트의 결과 비교:

가장 흥미로운 점은 COCO 데이터 세트에서 다른 프레임워크와의 비교(속도 및 정확성)입니다.

위 내용은 iPhone이나 터미널 실습에 yolov를 배포하는 전체 과정의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!