GitHub - hololee/YOLO_LITE: yolo lite implementation with pytorch.

YOLO LITE - pytorch

YOLO LITE

This project is based on below paper.
The model structure on this paper is modified for my own dataset.

YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers

Abstract

YOLO는 오브젝트 디텍션 분야에서 좋은 성적을 보여주었으며 R-CNN 페밀리와 비교 하였을때 구현이 간단하고 모델이 더 가볍다는 특징이 있다. YOLO lite는 YOLO를 이용하여 최대한 모델을 작게 구성하여 로컬 환경에서 CPU만을 이용하여 사용가능한 뉴럴네트워크 모델을 제안하였다. 여기서는 YOLO lite 모델을 좀더 개선하여 밭에서 자라나는 콩 작물을 검출하는 농기계에서 사용 가능하도록 구성하였다.

Introduction

뉴럴 네트워크는 GPU의 발전과 함께 급속도로 발전하였다.
좀더 많은 연산을 빠르게 처리하면서 퍼포먼스는 증가하고 실생활에서 사람들보다 더 좋은 성능을 보여주기도 하였다. 컴퓨터 비전의 오브젝트 디텍션 문제는 뉴럴네트워크를 도입 하면서 급속도의 성장을 보여주었다. 물체 인식, 얼굴인식, 상품 품질 체크와 같은 일반적인 detection을 활용한 분야뿐 아니라 cctv를 이용한 사람 이동 추적, 자율주행 자동차와 같은 여러 응용 분야에도 적용되고 있다. 현 시점에서도 GPU의 발전은 가속화 되고 있고, 그에 따라서 학습 모델은 더욱더 무거워지고 복잡해지고 있다. 하지만 여전히 많은 상황들, 자율주행 자동차, cctv 등은 적은 자원으로 동작하기 때문에 GPU의 지원 한계가 있다.
이 프로젝트 에서는 이러한 GPU를 활용하기 어려운 환경에서 CPU만을 사용하여 뉴럴네트워크를 동작시켜 보고자 한다.

Dataset

목표는 밭에서 기르는 콩 작물에 대한 객체 검출이다. 검출된 영역은 작물의 상태나 성장 상태의 파악을 위해서 쓰일 수 있다.

img1	img2	img3	img4

Model

여기서는 YOLOv1 을 기반으로 하는 YOLO-lite를 이용하였다. CPU 라는 제한적인 환경에서 운영되지만 성능 향상을 위해서 Batch normalization 을 추가하였고 기존의 YOLO lite 에서 한층의 conv filter를 사용한것과는 다르게 2개의 층을 이용하였다. 아래의 사진은 model 구조를 보여준다.

아래의 내용은 model 을 학습 시킴에 있어서 하이퍼 파라미터를 보여준다.

-- public parpams --
Dataset devide ratio : [0.8 ,0.1, 0.1]
Learning rate : 0.0001
Batch size : 16
Epoch : 300

-- yolo params --
Lambda_coord = 5
Lambda_noobj = 0.5
Grid = 8 x 8

-- post process params --
OUTPUT_THRESHOLD = 0.5
NMS_THRESHOLD = 0.5