Object Detection Basic
이미지 내에서 객체를 식별하는 Task
Segmentation
- Semantic Segmentation
- 서로 다른 영역을 구분
- 같은 class에 대해서 구분하지 않는 작업
- Instance Segmentation
- 객체의 영역을 구분
- 같은 class를 분리하여 식별하는 작업
Real world
- 자율주행
- OCR
- 스마트 팜
- 흉부 X-ray 이상 탐지
Evaluation Metric
성능
- Confusion matrix
- True / False: 정답 Label의 여부
- Positive / Negative: 예측 Label의 여부
- True Positive(TP): 검출 되어야할 것이 검출
- True Negative(TN): 검출되지 말아야할 것이 검출되지 않음
- False Positive(FP): 검출되지 말아야할 것이 검출됨
- False Negative(FN): 검출되어야 할 것이 검출되지 않음
- Precision
- $Precision = \frac{TP}{TP + FP} = \frac{TP}{All-Detections}$
- 모든 예측에 대한 Positive의 비율
- Recall
- $Recall = \frac{TP}{TP + FN} = \frac{TP}{All\ Ground\ Truths}$
- 모든 정답 Label들에 대한 예측 비율
- PR Curve
- Ground Truth가 10개라고 가정
- 예측한 n(=10)개의 레이블을 Confidence 기준 내림차순으로 정렬
- 아래 표의 Precision과 Recall에 대한 그래프를 의미
- $AP =$ 그래프 아랫 면적
예제 | |||||||
|---|---|---|---|---|---|---|---|
| Category | Confidence | TP/FP | 누적 TP | 누적 FP | Precision | Recall | |
| 1 | Plastic | 95% | TP | 1 | - | 1/1 = 1 | 1/10 = 0.1 |
| 2 | Plastic | 90% | TP | 2 | - | 2/2 = 1 | 2/10 = 0.2 |
| 3 | Plastic | 82% | FP | 2 | - | 2/3 = 0.67 | 2/10 = 0.2 |
| 4 | Plastic | 80% | TP | 3 | - | 3/4 = 0.75 | 3/10 = 0.3 |
| 5 | Plastic | 72% | TP | 4 | - | 4/5 = 0.8 | 4/10 = 0.4 |
| 6 | Plastic | 70% | FP | 4 | - | 4/6 = 0.67 | 4/10 = 0.4 |
| 7 | Plastic | 60% | TP | 5 | - | 5/7 = 0.71 | 5/10 = 0.5 |
| 8 | Plastic | 41% | FP | 5 | - | 5/8 = 0.63 | 5/10 = 0.5 |
| 9 | Plastic | 32% | FP | 5 | - | 5/9 = 0.56 | 5/10 = 0.5 |
| 10 | Plastic | 10% | TP | 6 | - | 6/10 = 0.6 | 6/10 = 0.6 |
- IoU(Intersection over Union)
- Ground truth 영역과 predict 영역이 겹친 정도 혹은 비율
- $IoU = \frac{overlapping\ region}{combined\ region}$
속도
- FPS(Frames per Second)
- 초당 처리 속도
- 성능에 비례
- FLOPs(Floating Point Operations)
- 연산량 횟수(곱하기, 더하기, 빼기 등)
- $Convolution\ layer\ Flops = C_{in} * C_{out} * K * K * H_{out} * W_{out}$
Library
MM Detection
- Pytorch 기반 Object detection 오픈소스
Detectron2
- 페이스북 AI 리서치의 라이브러리
- Pytorch 기반의 Object detection/segmentation 알고리즘 제공
YOLOv5
- COCO 데이터셋으로 사전 학습된 모델
- 수천 시간의 연구와 개발에 걸쳐 발전된 Object detction 모델
- Colab, Kaggle, Docker, AWS, GCP 등에서 오픈소스 제공
EfficientDet
- Google Research & Brain에서 연구한 모델
- EfficientNet을 응용하여 만든 Object detection 모델
- Tensorflow로 제공
- Github에 Pytorch 기반으로 구현된 라이브러리 존재