[Object Detection] YOLOv5 성능 높이기

YOLOv5 성능 높이기

 

Background image 넣기 : 배경 이미지는 탐지할 객체가 없는 데이터들을 의미한다. 배경 이미지를 넣어주면 False Positives (FP)가 줄어드는 효과를 볼 수 있다. 전체 학습 데이터 셋에서 배경 이미지의 비율을 0 ~ 10% 정도를 추천한다. COCO 데이터 셋은 1000개의 배경 이미지를 가지고 있다 (학습 데이터 셋의 1%) Pretrained weights 사용 : 작거나 중간 정도 사이즈의 데이터셋에 추천한다 (train.py시 --weights 인자값 넣기). Epoch : epoch는 300부터 시작해서 overfit이 발생하면 줄이고 발생하지 않으면 600 또는 1200으로 점점 증가시킨다. 이미지 사이즈를 640으로 설정하기 : COCO 데이터 셋은 640으로 학습한다. 작은 크기의 물체가 많을 수록 높거나 원래의 해상도 사이즈를 쓰면 좋다. 최고의 인퍼런스 성능을 내려면 인퍼런스 돌릴 때 input으로 들어가는 이미지 사이즈가 학습시 설정한 이미지 사이즈와 같아야 한다. Hyperparameter evolution 사용 : Hyperparameter evolution은 Genetic Algorithm (GA)를 사용해서 하이퍼파라미터를 최적화하는 방법이다.  기본값으로 저장된 모델 하이퍼 파라미터들은 data 폴더 안에 hyp.scratch.yaml에서 찾을 수 있다. 학습시 인자값으로 --evolve를 추가하여 Hyperparameter evolution을 사용할 수 있다. 시나리오 50번을 돌려서 hyperparameter를 최적화하고 결과값은 evolve.txt에 저장된다.

 

https://github.com/ultralytics/yolov5/wiki/Tips-for-Best-Training-Results

Tips for Best Training Results