論文の概要: PP-YOLO: An Effective and Efficient Implementation of Object Detector

• arxiv url: http://arxiv.org/abs/2007.12099v3
• Date: Mon, 3 Aug 2020 03:53:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 12:49:30.157272
• Title: PP-YOLO: An Effective and Efficient Implementation of Object Detector
• Title（参考訳）: PP-YOLO:オブジェクト検出器の効率的かつ効率的な実装
• Authors: Xiang Long, Kaipeng Deng, Guanzhong Wang, Yang Zhang, Qingqing Dang, Yuan Gao, Hui Shen, Jianguo Ren, Shumin Han, Errui Ding, Shilei Wen
• Abstract要約: 本稿では, 相対的に効率と効率のバランスの取れた物体検出器を実装した。 YOLOv3が実際に広く利用されていることを踏まえ, YOLOv3に基づく新しい物体検出器を開発した。 本論文のすべての実験はPaddlePaddleに基づいて行われるので、PP-YOLOと呼ぶ。
• 参考スコア（独自算出の注目度）: 44.189808709103865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection is one of the most important areas in computer vision, which plays a key role in various practical scenarios. Due to limitation of hardware, it is often necessary to sacrifice accuracy to ensure the infer speed of the detector in practice. Therefore, the balance between effectiveness and efficiency of object detector must be considered. The goal of this paper is to implement an object detector with relatively balanced effectiveness and efficiency that can be directly applied in actual application scenarios, rather than propose a novel detection model. Considering that YOLOv3 has been widely used in practice, we develop a new object detector based on YOLOv3. We mainly try to combine various existing tricks that almost not increase the number of model parameters and FLOPs, to achieve the goal of improving the accuracy of detector as much as possible while ensuring that the speed is almost unchanged. Since all experiments in this paper are conducted based on PaddlePaddle, we call it PP-YOLO. By combining multiple tricks, PP-YOLO can achieve a better balance between effectiveness (45.2% mAP) and efficiency (72.9 FPS), surpassing the existing state-of-the-art detectors such as EfficientDet and YOLOv4.Source code is at https://github.com/PaddlePaddle/PaddleDetection.
• Abstract（参考訳）: 物体検出はコンピュータビジョンにおいて最も重要な領域の1つであり、様々な実用的なシナリオにおいて重要な役割を果たす。 ハードウェアの限界のため、実際に検出器の慣性速度を保証するために精度を犠牲にすることがしばしば必要となる。 したがって、対象検出器の有効性と効率のバランスを考慮する必要がある。 本論文の目的は,新しい検出モデルを提案するのではなく,実際のアプリケーションシナリオに直接適用可能な,比較的バランスの取れた物体検出器の実装である。 YOLOv3が実際に広く利用されていることを踏まえ, YOLOv3に基づく新しい物体検出器を開発した。 我々は,モデルパラメータとフロップ数をほとんど増やさない様々な既存手法を組み合わせることで,速度がほぼ変わらないことを保証しつつ,検出器の精度を可能な限り向上させることを目標としている。 本論文のすべての実験はPaddlePaddleに基づいて行われるので、PP-YOLOと呼ぶ。 複数のトリックを組み合わせることで、PP-YOLOは有効性(45.2% mAP)と効率性(72.9 FPS)のバランスが良くなり、EfficientDetやYOLOv4といった既存の最先端検出器を上回る。

関連論文リスト

• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• MODIPHY: Multimodal Obscured Detection for IoT using PHantom Convolution-Enabled Faster YOLO [10.183459286746196]
  YOLO Phantomは、史上最小のYOLOモデルのひとつです。 YOLO Phantomは最新のYOLOv8nモデルと同等の精度を実現し、パラメータとモデルサイズを同時に削減する。 実際の有効性は、高度な低照度カメラとRGBカメラを備えたIoTプラットフォーム上で実証され、AWSベースの通知エンドポイントにシームレスに接続される。
  論文  参考訳（メタデータ） (2024-02-12T18:56:53Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications [16.047499394184985]
  YOLOv6-Nは、NVIDIA Tesla T4 GPU上で1234 FPSのスループットでCOCOデータセットで35.9%APに達する。 YOLOv6-S は 495 FPS で 43.5% AP を攻撃し、他の主流検出器を同じ規模で上回っている。 YOLOv6-M/Lは、同様の推論速度を持つ他の検出器よりも精度(49.5%/52.3%)が高い。
  論文  参考訳（メタデータ） (2022-09-07T07:47:58Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• YOLO-Z: Improving small object detection in YOLOv5 for autonomous vehicles [5.765622319599904]
  本研究は, YOLOv5物体検出器を改良して, 小型物体の検出性能を向上させる方法について検討した。 我々は, YOLO-Z'と命名し, 50%IOUで小さな物体を検出する場合に, 最大6.9%のmAP向上を示すモデルを提案する。 本研究の目的は、YOLOv5などの一般的な検出器を調整して特定のタスクに対処する可能性について、今後の研究を知らせることである。
  論文  参考訳（メタデータ） (2021-12-22T11:03:43Z)
• PP-YOLOv2: A Practical Object Detector [13.262416549127664]
  PP-YOLOの性能向上のために既存の改良品のコレクションを評価した。 複数の効果的な改良を組み合わせることで、PP-YOLOの性能は45.9% mAPから49.5% mAPに向上する。 PP-YOLOv2は68.9FPSで640x640の入力サイズで動作する。
  論文  参考訳（メタデータ） (2021-04-21T08:55:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。