論文の概要: Model Compression Methods for YOLOv5: A Review
- arxiv url: http://arxiv.org/abs/2307.11904v1
- Date: Fri, 21 Jul 2023 21:07:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 19:08:00.826893
- Title: Model Compression Methods for YOLOv5: A Review
- Title(参考訳): yolov5のモデル圧縮手法 : レビュー
- Authors: Mohammad Jani, Jamil Fayyad, Younes Al-Younes, Homayoun Najjaran
- Abstract要約: 比較モジュラリティのため、我々はプルーニングと量子化に重点を置いています。
これは、YOLOv5の実装の観点から、プルーニングと量子化の手法を調査する最初の具体的なレビュー論文である。
我々の研究は、リソース制限されたデバイスに実装することで、新しいバージョンのYOLOにも拡張可能であり、今日でも同様の課題が続いている。
- 参考スコア(独自算出の注目度): 1.2387676601792899
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past few years, extensive research has been devoted to enhancing
YOLO object detectors. Since its introduction, eight major versions of YOLO
have been introduced with the purpose of improving its accuracy and efficiency.
While the evident merits of YOLO have yielded to its extensive use in many
areas, deploying it on resource-limited devices poses challenges. To address
this issue, various neural network compression methods have been developed,
which fall under three main categories, namely network pruning, quantization,
and knowledge distillation. The fruitful outcomes of utilizing model
compression methods, such as lowering memory usage and inference time, make
them favorable, if not necessary, for deploying large neural networks on
hardware-constrained edge devices. In this review paper, our focus is on
pruning and quantization due to their comparative modularity. We categorize
them and analyze the practical results of applying those methods to YOLOv5. By
doing so, we identify gaps in adapting pruning and quantization for compressing
YOLOv5, and provide future directions in this area for further exploration.
Among several versions of YOLO, we specifically choose YOLOv5 for its excellent
trade-off between recency and popularity in literature. This is the first
specific review paper that surveys pruning and quantization methods from an
implementation point of view on YOLOv5. Our study is also extendable to newer
versions of YOLO as implementing them on resource-limited devices poses the
same challenges that persist even today. This paper targets those interested in
the practical deployment of model compression methods on YOLOv5, and in
exploring different compression techniques that can be used for subsequent
versions of YOLO.
- Abstract(参考訳): 過去数年間、YOLOオブジェクト検出器の強化に多くの研究が費やされてきた。
YOLOの導入以来、精度と効率を向上させるために8つのメジャーバージョンが導入された。
YOLOの明らかなメリットは多くの領域で広く利用されているが、リソース制限されたデバイスにデプロイすることが課題となっている。
この問題に対処するために,ネットワークプルーニング,量子化,知識蒸留という3つの主要なカテゴリに分類されるニューラルネットワーク圧縮手法が開発されている。
メモリ使用率の低下や推論時間などのモデル圧縮手法を利用した実りある成果は、ハードウェア制約のエッジデバイスに大規模なニューラルネットワークをデプロイする上で、必要なくても好都合である。
本稿では,比較モジュール性の観点から,刈り取りと量子化に焦点をあてる。
これらを分類し,これらの手法をYOLOv5に適用する実践的結果を解析した。
そこで我々は, YOLOv5の圧縮にプルーニングと量子化を適用する際のギャップを同定し, さらなる探索のための今後の方向性を示す。
YOLOのいくつかのバージョンの中で、文学におけるリプライと人気の間の優れたトレードオフとして、特にYOLOv5を選択します。
この論文は、yolov5の実装の観点からpruningとquantization法を調査した最初の具体的なレビュー論文である。
我々の研究は、リソース制限されたデバイスに実装することで、新しいバージョンのYOLOにも拡張可能である。
本稿では, YOLOv5 上でのモデル圧縮手法の実践的展開や, YOLO のその後のバージョンに使用可能な様々な圧縮手法の探索に関心がある人を対象としている。
関連論文リスト
- 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 [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) - A Comprehensive Review of YOLO Architectures in Computer Vision: From
YOLOv1 to YOLOv8 and YOLO-NAS [0.0]
YOLOは、ロボット工学、無人運転車、およびビデオ監視アプリケーションのための中心的なリアルタイムオブジェクト検出システムとなっている。
本稿では,YOLOの進化を包括的に分析し,元のYOLOからYOLOv8,YOLO-NAS,YOLOをトランスフォーマーとしたYOLOまでの各イテレーションにおけるイノベーションとコントリビューションについて検討する。
論文 参考訳(メタデータ) (2023-04-02T10:27:34Z) - Towards End-to-end Semi-supervised Learning for One-stage Object
Detection [88.56917845580594]
本稿では,高度な一段検出ネットワークYOLOv5の半教師付き学習に焦点を当てた。
そこで我々は,Multi-view Pseudo-label Refinement (MPR) とDecoupled Semi-supervised Optimization (DSO) の2つの革新的な設計を取り入れた新しい教師学習レシピOneTeacherを提案する。
特に、MPRは、拡張ビューリファインメントとグローバルビューフィルタリングによって擬似ラベルの品質を改善し、DSOは構造的な微調整とタスク固有の擬似ラベルによる共同最適化競合を処理する。
論文 参考訳(メタデータ) (2023-02-22T11:35:40Z) - 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) - YOLOX-PAI: An Improved YOLOX, Stronger and Faster than YOLOv6 [9.467160135481713]
我々は、様々なSOTAコンピュータビジョン手法の使用を容易にするために、EasyCVというオールインワンのコンピュータビジョンツールボックスを開発した。
本研究は,YOLOXに対する検出方法の影響を調べるためのアブレーション研究である。
1つのNVIDIA V100 GPUで1.0ms以内の日付セットで42.8mAPを受け取り、YOLOv6より少し高速です。
論文 参考訳(メタデータ) (2022-08-27T15:37:26Z) - SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video
Anomaly Detection [108.57862846523858]
自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。
マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。
モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
論文 参考訳(メタデータ) (2022-07-16T19:25:41Z) - 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) - YOLOX: Exceeding YOLO Series in 2021 [25.734980783220976]
我々は、YOLO検出器をアンカーフリーに切り換え、他の高度な検出技術を実行する。
0.91Mパラメータと1.08G FLOPしか持たないYOLO-Nanoでは、COCOで25.3%のAPが取得でき、NanoDetを1.8%上回っている。
YOLOv4-CSP, YOLOv5-Lとほぼ同じパラメータを持つYOLOX-Lでは、Tesla V100で68.9 FPSの速度でCOCOで50.0%APを達成する。
論文 参考訳(メタデータ) (2021-07-18T12:55:11Z) - PP-YOLO: An Effective and Efficient Implementation of Object Detector [44.189808709103865]
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。
論文 参考訳(メタデータ) (2020-07-23T16:06:16Z)
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。