YOLO v4는 양이 너무 많아서 언젠간 완성 하겠습니다.. 그러나! 이번 주가 마지막이니까 다음 시리즈는 이어 가야겠음

YOLO v5

YOLO v5는 논문이 없다. 2020년 6월에 배포 되었으며, v4에 비해서 낮은 용량과, 빠른 속도를 가지고 있다.

YOLO v3의 PyTorch 확장

YOLO v4 까지는 C, CUDA로 구현한 코드였다. 이를 Glenn Jocher가 PyTorch 버전으로 구현한 버전이 YOLO v5이다. 이 버전은 개발자들이 YOLO v3 Darknet의 weight를 PyTorch로 포팅한 다음 사용할 수 있는 용도로 인기가 많았다. 아래는 Ultralytics에서 수행한 업데이트 중 일부를 보여준다.

원래는 YOLO v4로 이름 지으려고 했으나, YOLO v4가 먼저 출시 되어 YOLO v5로 명명되었다. 처음에는 이름에 대해서 꽤 많은 논쟁이 있었고, 두 모델을 비교하는 기사 또한 있었다. 링크 된 게시글은 현재 참조하고 있는 roboflow에서 게시한 비교 글이다.

YOLO v5의 가장 큰 contribution은 Darknet framework를 Pytorch framework로 바꿨다는 데 있다. C언어로 작성 된 코드는 세밀하게 제어할 수 있는 장점이 있고, 이는 연구에 큰 도움이 되지만 새로 기능을 추가할 때, 새로운 gradient 계산을 추가 작성해야 하므로 코드 작성에 시간이 소요된다. PyTorch는 이러한 점에서 더 큰 이점을 얻을 수 있다.

모델

Architecture

성능과 시간에 비례하여 Yolov5s, Yolov5m, Yolov5l, Yolov5x 4가지로 나누어진다. s가 가장 가볍고 성능이 낮은 모델이고, x가 가장 무겁고 성능이 좋은 모델이다.

3가지 구성 요소로 이루어져 있다.

Backbone: 서로 다른 granularity(세분성)으로 이미지 특징을 집계하고 특징을 형성하는 conv net
Neck: 이미지 특징을 혼합(mix), 결합(combine)하여 prediect에 전달하는 레이어 집합
Head: Neck으로부터 feature를 받아서 box와 class predication 단계를 수행

Training Procedures

Data Augmentation
- Scaling
- Color Space Adjustments (pixel-wise adjustment인 듯)
- Mosaic Augmentation (novelty)
- 특정 이미지를 random crop 하고, 섞어서 붙여 쓴다. Cutout and Cutmix라고 표현한다.
- small object problem(작은 개체가 큰 개체만큼 정확하게 감지되지 않는 문제)를 해결하는 방법을 학습하는 데 도움이 된다. 특히 COCO 데이터셋에서 효과가 있다.
Loss Calculation
- GIoU, obj 및 class loss function을 계산한다.
- 이러한 함수는 mean average precision을 최대화 하기 위해 설계
Auto Learning Bounding Box Anchors
- k-means와 genetic learning 알고리즘을 사용한 custom 데이터셋의 bounding box 분포를 기반으로 anchor-box를 학습하는 아이디어를 소개
- anchor-box dimension의 목록으로부터 편차를 계산, bouding box를 예측한다.
16 Bit Floating Point Precision
- PyTorch framework를 사용하면서 절반의 floating point precition을 사용할 수 있게 되었다.
- 그만큼 32-bit 보다 속도가 빨라질 수 있었다.
New Model Configuration Files
- model configuration을 .cfg를 쓰던 Darknet과 달리 .yaml 파일을 사용
- 이 두 형식의 주요 차이점은 .yaml 파일이 네트워크의 다양한 레이어를 지정하도록 압축된 다음 이를 블록의 레이어 수와 곱한다는 것이다.
- 예를 들어, .yaml 파일은 아래와 같이 파라미터를 전부 지정해두고, 선택해서 사용한다.
```
# parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
```
anchors

anchors:
- [116,90, 156,198, 373,326] # P5/32
- [30,61, 62,45, 59,119] # P4/16
- [10,13, 16,30, 33,23] # P3/8
YOLOv5 backbone

backbone:

[from, number, module, args]

[[-1, 1, Focus, [64, 3]], # 0-P1/2 [-1, 1, Conv, [128, 3, 2]], # 1-P2/4 [-1, 3, BottleneckCSP, [128]], [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [-1, 9, BottleneckCSP, [256]], [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [-1, 9, BottleneckCSP, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 1, SPP, [1024, [5, 9, 13]]], ]

YOLOv5 head

head: [[-1, 3, BottleneckCSP, [1024, False]], # 9

[-1, 1, Conv, [512, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 6], 1, Concat, [1]], # cat backbone P4 [-1, 3, BottleneckCSP, [512, False]], # 13

[-1, 1, Conv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 4], 1, Concat, [1]], # cat backbone P3 [-1, 3, BottleneckCSP, [256, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]], # 18 (P3/8-small)

[-2, 1, Conv, [256, 3, 2]], [[-1, 14], 1, Concat, [1]], # cat head P4 [-1, 3, BottleneckCSP, [512, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]], # 22 (P4/16-medium)

[-2, 1, Conv, [512, 3, 2]], [[-1, 10], 1, Concat, [1]], # cat head P5 [-1, 3, BottleneckCSP, [1024, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]], # 26 (P5/32-large)

[[], 1, Detect, [nc, anchors]], # Detect(P5, P4, P3) ]
CSP Backbone
- YOLO v4와 마찬가지로 CSP Bottleneck을 사용한다.
- CSP는 다른 대규모 ConvNet backbone의 중복 gradient 문제를 해결하여 importance를 비교하는데 대한 매개변수와 FLOPS를 줄인다.
- 이는 추론 속도와 작은 모델 크기가 가장 중요한 YOLO 제품군에 매우 중요하다.
PA-Net Neck
- YOLO v4와 마찬가지로 PA-Net Neck을 사용한다.