論文の概要: Evaluation of YOLO Models with Sliced Inference for Small Object
Detection
- arxiv url: http://arxiv.org/abs/2203.04799v1
- Date: Wed, 9 Mar 2022 15:24:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-10 21:39:30.019219
- Title: Evaluation of YOLO Models with Sliced Inference for Small Object
Detection
- Title(参考訳): 小型物体検出のためのスライス推論によるヨーロモデルの評価
- Authors: Muhammed Can Keles, Batuhan Salmanoglu, Mehmet Serdar Guzel, Baran
Gursoy, Gazi Erkan Bostanci
- Abstract要約: この研究は、小さなオブジェクト検出のためにYOLOv5とYOLOXモデルをベンチマークすることを目的としている。
スライスされた微調整とスライスされた推論が組み合わさって全てのモデルに大幅な改善をもたらした。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Small object detection has major applications in the fields of UAVs,
surveillance, farming and many others. In this work we investigate the
performance of state of the art Yolo based object detection models for the task
of small object detection as they are one of the most popular and easy to use
object detection models. We evaluated YOLOv5 and YOLOX models in this study. We
also investigate the effects of slicing aided inference and fine-tuning the
model for slicing aided inference. We used the VisDrone2019Det dataset for
training and evaluating our models. This dataset is challenging in the sense
that most objects are relatively small compared to the image sizes. This work
aims to benchmark the YOLOv5 and YOLOX models for small object detection. We
have seen that sliced inference increases the AP50 score in all experiments,
this effect was greater for the YOLOv5 models compared to the YOLOX models. The
effects of sliced fine-tuning and sliced inference combined produced
substantial improvement for all models. The highest AP50 score was achieved by
the YOLOv5- Large model on the VisDrone2019Det test-dev subset with the score
being 48.8.
- Abstract(参考訳): 小型物体検出は、UAV、監視、農業など多くの分野に応用されている。
本研究では,最も人気が高く,使いやすい物体検出モデルの1つである小物体検出の課題に対して,アート・ヨーロに基づく物体検出モデルの性能について検討する。
本研究では, YOLOv5およびYOLOXモデルについて検討した。
また,スライシング助成推論の効果について検討し,スライシング助成推論モデルの微調整を行った。
モデルのトレーニングと評価にはVisDrone2019Detデータセットを使用しました。
このデータセットは、ほとんどのオブジェクトが画像サイズに比べて比較的小さいという意味で難しい。
この研究は、小さなオブジェクト検出のためにYOLOv5とYOLOXモデルをベンチマークすることを目的としている。
スライス推論はすべての実験でap50スコアを増加させ、yolov5モデルではyoloxモデルよりもこの効果が大きかった。
スライスされた微調整とスライスされた推論が組み合わさって全てのモデルに大幅な改善をもたらした。
AP50の最高スコアは VisDrone2019Det test-dev サブセットの YOLOv5- Large モデルで、スコアは 48.8 であった。
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) - YOLO-TLA: An Efficient and Lightweight Small Object Detection Model based on YOLOv5 [19.388112026410045]
YOLO-TLAは、YOLOv5上に構築された高度な物体検出モデルである。
まず、ネックネットワークピラミッドアーキテクチャにおいて、小さなオブジェクトに対する検出層を新たに導入する。
このモジュールはスライディングウィンドウの特徴抽出を使い、計算要求とパラメータ数の両方を効果的に最小化する。
論文 参考訳(メタデータ) (2024-02-22T05:55:17Z) - 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) - Investigating YOLO Models Towards Outdoor Obstacle Detection For
Visually Impaired People [3.4628430044380973]
7種類のYOLOオブジェクト検出モデルが実装された。
YOLOv8は最高のモデルであることが判明し、その精度は80ドルに達し、よく知られたObstacleデータセットでは68.2%だった。
YOLO-NASは障害物検出作業に最適であることがわかった。
論文 参考訳(メタデータ) (2023-12-10T13:16:22Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳(メタデータ) (2023-11-21T19:49:13Z) - YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time
Object Detection [80.11152626362109]
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。
私たちの仕事は、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使えます。
論文 参考訳(メタデータ) (2023-08-10T10:12:27Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳(メタデータ) (2023-06-20T09:46:01Z) - Real-Time Flying Object Detection with YOLOv8 [0.0]
本稿では,飛行物体のリアルタイム検出のための一般化モデルを提案する。
また,フライング物体検出のための最先端結果を得るための改良されたモデルを提案する。
論文 参考訳(メタデータ) (2023-05-17T06:11:10Z) - 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)
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。