부스트캠프 AI Tech/[Week9] Object Detection (1) (5) 썸네일형 리스트형 [Week9] Object Detection - EfficientDet [Day3] 1.Efficient in Object Detection 1.1 Model scaling model이 deep 해질수록 좋은 성능을 가져오게 됐음 but, 어느정도 깊어지면 더이상 성능개선이 어려움 얼마나 깊게 잘 쌓는지가 중요해짐 (e) compound scailing 에서 깊고, 넓게 또, high resolution으로 model을 개선시켜왔음 heuristic방법의 한계를 겪음 1.2 등장배경 따라서 더 높은 정확도와 효율성을 가지면서 convnet의 크기를 키우는 방법을 연구 너비, 깊이, 해상도 모든 차원에서의 균형을 맞추는 것이 중요하다는 것을 알게 됨. 이러한 균형은 각각의 크기를 일정한 비율로 확장하는 것으로 달성할 수 있었다고 함 1.3 Accuracy & Efficiency 낮은 FL.. [Week9] Object Detection - 1 stage detector [Day3] 1. 1 Stage Detectors *2 stage Detectors RCNN, FastRCNN, SPPNet, FasterRCNN ... Localization (후보 영역 찾기) Classification (후보 영역에 대한 분류) Limitation : 속도가 매우 느림 Real World에서 응용 가능한 Object Detectors는 없을까? *2 stage detectors vs 1 stage detectors *1 stage Detectors Localization, Classification이 동시에 진행 전체 이미지에 대해 특징 추출, 객체 검출이 이루어짐 → 간단하고 쉬운 디자인 속도가 매우 빠름 (Real-time detection) 영역을 추출하지 않고 전체 이미지를 보기 때문에 .. [Special Mission3] Detectron2 튜토리얼 *Detectron2 이란? Detectron2는 Facebook AI Research(FAIR)에서 개발한 Pytorch 기반의 Object Detection, Segmentation 라이브러리이다. MMDetection과 마찬가지로 모듈식으로 작동한다. *Run a pre-trained detectron2 model https://colab.research.google.com/drive/16jcaJoc6bCFAQ96jDe2HwtXj7BMD_-m5#scrollTo=7unkuuiqLdqd 1) COCO 형식의 이미지 준비 2) Config와 DefaultPredictor 생성, Inference 하기 3) 결과 시각화하기 *Use Builtin Datasets 데이터셋들은 DETECTRON2_DATASE.. [Week9] Object Detection - Neck [Day2] 1. Neck 1.1 Overview History Neck은 무엇인가? 위는 기존 2-stage 방식 backbone의 마지막 feature map을 RPN에 통과시키게 됨 근데 왜 마지막 feature map을 활용해야 할까? => 중간의 feature map들도 활용해보자 Neck은 왜 필요한가? low-level의 feature map은 선, 점, 기울기 등의 정보와 작은 객체를 잘 표현 high-level의 feature map은 object의 semantic한 정보와 큰 객체를 잘 표현 따라서 Neck을 활용하여 두 정보를 다 활용 다양한 크기의 객체를 더 잘 탐지 하게 됨 그렇다면 Neck을 활용하지 않고 여러 level에서의 feature map을 활용하면 되지 않냐? Neck을 활용하여 .. [Week9] Object Detection - library [Day2] 1. Object Detection을 위한 라이브러리 통합된 라이브러리의 부재 실무 / 캐글에서는 아래 두 라이브러리를 주로 활용 MMDetection Detectron2 2. MMDetection Pytorch 기반의 Object Detection 오픈소스 라이브러리 Pipeline 2 Stage 모델은 크게 Backbone / Neck / DenseHead/ RoIHead 모듈로 나눌 수 있음 각각의 모듈 단위로 커스터마이징 위 시스템은 config 파일을 이용해 통제 Backbone - 입력 이미지를 특징 맵으로 변형 Neck - backbone과 head를 연결, Feature map을 재구성 (FPN) DenseHead - 특징 맵의 dense location을 수행하는 부분 RoIHead - .. 이전 1 다음
