참고

  1. ultralytics

  2. ultralytics yolov5 아키텍쳐 문서



YOLOv5



YOLO의 흐름

  1. YOLO
    • 24 CNN, 2FC, leakyReLU
  2. YOLOv2
    • Darknet-19, Batch Normalization 적용, Anchor box 사용, Multi-scale training
  3. YOLOv3
    • Efficient backbone, SPP (Spatial Pyramid Pooling)
  4. YOLOv4
    • Mosaic data augmentation, anchor-free detection



YOLOv5 architecture

Backbone, Neck, Head 세 부분으로 구성

아래 그림은 yolov5l 의 구조


1


Backbone

입력 이미지의 feature map 추출

이전 버전에서 사용된 Darknet 아키텍처를 수정한 New CSP-Darknet53


Neck

Backbone과 head를 연결

Feature map들을 적절하게 조화하여 더 정교한 feature map 생성


Head

Neck에서 얻은 다양한 scale의 feeature map을 사용하여 각각의 map에서 localization과 classification 실행

물체의 크기에 상관없이 객체를 잘 찾을 수 있음


위의 그림을 조금 더 단순화하여 나타내면

2

출처



SPP 보다 속도가 더 빠른 SPPF (Spatial Pyramid Pooling Fast) 사용

3

출처


Activation 함수로 SiLU (Sigmoid Linear Unit) 사용

4

출처

  • Unbounded above (input이 0보다 크거나 같을 때)

  • Bounded below (input이 0보다 작을 때)



Data Augmentation

일반화 성능을 높이고 overfitting을 줄이기 위해서 다양한 data augmentation 사용

  • Mosaic Augmentation
  • Copy-Paste Augmentation
  • Random Affine Transformations
  • HSV Augmentation
  • Random Horizontal Flip

참고