[딥러닝] Object Detection

2023.08.31 작성(https://sujungeee.github.io/posts/ai-DeepLearning-yolo-1/)

 

※ 본 포스팅은 인프런 “YOLO 구현으로 배우는 딥러닝 논문 구현 with TensorFlow 2.0” 을 참고하여 작성하였습니다.

 

✅ Object Detection 문제영역 소개

• 컴퓨터 비전인간의 시각과 관련된 부분을 컴퓨터 알고리즘을 이용해서 구현하는 방법을 연구하는 분야
  • 컴퓨터 비전의 대표적인 문제들
    • Image Classification
    • Semantic Image Segmentation전체 픽셀에 대한 분류
    • Object Detection물체 픽셀? 에 대한 분류
  • 딥러닝의 여러 구조 중 CNN 이 많이 사용됨
  • Object Detection 문제 영역의 출력값x_min, y_min, x_max, y_max, class, confidence
    • x_min: 물체의 Bounding Box 의 왼쪽 위(Left-Top) x 좌표
    • y_min: 물체의 Bounding Box 의 왼쪽 위(Left-Top) y 좌표
    • x_max: 물체의 Bounding Box 의 오른족 아래(Right-Bottom) x 좌표
    • y_max: 물체의 Bounding Box 의 오른족 아래(Right-Bottom) y 좌표
    • class: Bounding Box 에 속한 물체의 class
    • confidence: Bounding Box 에 실체 물체가 있을 것이라고 확신하는 정도를 나타내는 값(0.0~1.0 사이의 값)Object Detection물체가 있는 영역의 위치 정보를 Bounding Box 로 찾고 Bounding Box 내에 존재하는 사물의 라벨(Label) 을 분류하는 문제 영역
    • 절대 좌표와 상대 좌표
  • 절대 좌표: 4분면 절댓값
  • 상대 좌표: 전체 width, height 길이를 절대 좌표로 나눈 좌표 값

 

✅ Object Detection Metric- IoU, mAP

[참고]

EAST(Efficient and Accuracy Scene Text detector)

Ground Truth Data

사람이 지정한 Bounding Box 와 Class Label

⇒ Ground Truth Data 와 예측 값을 비교하여 성능을 측정하기 위한 Metric 이 필요

• Metric 1- IoU(Intersection over Union) MetricBounding Box 의 정확성을 측정
  • 1 개의 Bounding Box 와 1 개의 Bounding Box 가 얼마나 일치하는 지를 0.0-1.0 사이의 값으로 표현
  • 2 개의 Bounding Box 가 일치할수록 1.0 에 가까운 값이 되고, 일치하지 않을수록 0.0 에 가까운 값이 나옴
• Metric 2
  • Precision, Recall, F1
    • Precision: 정밀도(Precision) 는 검색된 결과들 중 관련있는 것으로 분류된 결과물의 비율
    • Recall: 재현율(Recall) 은 관련있는 것으로 분류된 항목들 중 실제 검색된 항목들의 비율
    • F1: Precision 과 Recall 의 조화 평균
    • → Precision 과 Recall 을 한꺼번에 비교 가능
    ⇒ Precision 과 Recall 이 모두 높아야 좋은 성능을 발휘
    ⇒ F1 이 높아야 좋은 성능을 발휘
  • Average Precision(AP)
    • Positive 판단 기준: 일정한 임계치의 IoU(e.g. =0.5) 를 넘기면 맞춘 것으로 간주
    • Average Precision(AP): Recall 별 Precision 의 평균
    → Precision 과 Recall 은 보통 반비례의 수치를 가짐
  • Mean Average Precision(mAP)class 들의 Average Precision 의 평균
  • AP 와 mAP
    1. AP
       
       • 단일 클래스나 객체 유형에 대한 평균 정밀도를 측정하는 지표
       • Precision-Recall 곡선 아래의 면적을 계산
    2. mAP
       
       • 다수의 클래스나 객체 유형에 대한 AP 값을 평균내는 것
       • 여러 클래스에 대한 모델의 종합적인 성능을 나타냄
       • AP 의 평균 값: mAP 값

• Metric 3- MS COCO Metric좀 더 엄밀한 측정을 위해 다양한 평가 Metric 제안
  • AP 의 IoU 값을 구간 별로 설정하여 계산한 값을 평균낸 값
  • AP 한 object 를 크기별로
  • AR 기준을 여러 개로 나눠 계산한 값을 평균낸 값
  • AR 의 object 를 크기별로

 

✅ Object Detection Datasets- Pascal VOC, MS COCO, KITTI, Open Images

: Pascal VOC, MS COCO 데이터셋 등 …

• Pascal VOC Dataset
  • VOC 2007
    • 9,963 장의 이미지
    • 24,640 개의 Bounding Box
  • VOC 2012
    • 11,530 장의 이미지
    • 27,450 개의 Bounding Box
  • 20 개의 클래스(label), 4 개의 카테고리
• MS-COCO
  : Microsoft 사에서 구축한 Object Detection 용 데이터셋
  • 80,000 장의 training 이미지
  • 40,000 장의 validation 이미지
  • 20,000 장의 test 이미지
  • 80 개 label(Pascal VOC 의 20 개의 label 이 포함되어 있음)
• KITTI
  : 자율 주행 연구를 위한 이미지로 구성된 데이터셋
  • 21 개의 트레이닝 동영상 파일(training sequence)
  • 29 개의 테스트 동영상 파일(test sequence)
  • 8 개 label
• Open Images Dataset v4
  : Google 사의 Open Images Dataset
  • 1,743,042 장의 training 이미지
  • 41,620 장의 validation 이미지
  • 125,436 장의 test 이미지
  • 14,610,229 개의 Bounding Box
  • 600 개의 labelOpen Images Dataset v4Google 사의 Open Images Dataset
    ⇒ Explorer 를 통해 Open Images Dataset 의 Label 들을 볼 수 있음