3일차_YOLOv7, v8

데이터 엔지니어를 꿈꾸며 데브코스를 수료하고 어렵게 얻은 인턴의 기회!

 

그 시작은 비록 꿈꾸던 엔지니어가 아니고 데이터 분석일지언정!

 

이 또한, 나에게 도움이 되는 것이고 데이터 분석을 하기 위해서는 엔지니어링이 필요하니!

 

분석가의 업무를 직접 경험하면서 무엇이 필요할 것 같은지, 어떻게 해야할 것 같은지

 

생각하고, 직접 느끼면서 인턴 생활을 시작해보자!

---

YOLO - v7

YOLO란?

• You Only Look Once 의 약자로 Object detection (객체탐지) 분야에서 널리 알려진 모델
• 처음으로 One-Stage-Detection (분류와 추론이 동시 가능)을 고안해 실시간으로 객체 탐지가 가능

특징

• 이미지를 분할하지 않고 이미지 한 장에서 분석 가능
• 다양한 전처리 모델과 인공 신경망을 결합하여 사용했던 이전 방식이 아니라 통합된 모델 사용
• 실시간으로 객체 탐지 가능 (기존 Faster R-CNN에 비해 6배 빠른 성능)

성능

• 단일 객체 탐지기로써 비교 가능한 실시간 물체 감지 모델보다 더 빠르고(X), 높은 정확도(Y)로 추론하는 것을 보여줌

아키텍쳐

• 확장되어 효율적인 레이어 접선 :  E-ELANE (Extended efficient layer aggregation networks)
  • 그레디언트가 짧을수록 네트워크가 더 강력하게 학습 가능할 수 있게 그레디언트 경로를 분석
  • 따라서 효율적으로 제어 (확장, 셔플, 병합)가 가능한 E-ELANE (확장)구조

• 모델링 스케일링 기술 (Model scaling for concatenation-based models - 복합 스케일링)
  • a, b의 스케일링은 블록의 출력 폭도 증가 -> 뒤쪽의 입력 폭도 증가하는 결과 발생
  • c를 통해 입력과 출력의 너비를 유지하여 깊이만 스케일링 -> 계산량 감소

• 재매개변수화 계획 (Planned Re-parameterized convolution) 
  • inference (추론) 비용을 늘리지 않고 정확도를 향상 시키는 방법
    -> 매개변수가 변경된 레이어가 있을 시, residual 연결이 있으면 안됌

---

YOLO - v8

• 출시되지 얼마되지 않아 논문 존재 x..

---

Trainable bag-of-freebies

• 딥 러닝 모델의 성능을 개선하기 위한 전략 중 하나
• Bag-of-freebies 라 불리는 기법의 한 종류
  • 초기의 사전 학습된 모델을 기반
  • 추가적인 무료 자원 (추가 데이터, 알고리즘, 테크닉 등)을 활용해 모델의 성능 향상
• Trainable bag-of-freebies는 무료 자원 중 일부를 추가로 학습 가능한 부분으로 확장한 개념
• 즉, 사전 학습 후 고정된 파라미터가 아닌 일부 계층이나 파라미터를 추가 학습하여 모델 개선
• 장점
  • 기존의 학습 모델을 이용하지만, 특정 태스크에 맞게 모델의 일부를 학습하여 성능 향상