제 8회 BOAZ 빅데이터 컨퍼런스 -04 YOLO WOW (You Only Look Once at What yOu Want)
•
1 like•1,010 views
[제 8회 BOAZ 빅데이터 컨퍼런스] YOLO라는 유명 Object Detection 모델은 너무 모범생입니다. 모든 것을 보고 모든 것을 탐지합니다. 하지만 세상은 티내는 모범생을 좋아하지않습니다! 다 알면서도 모른척, 필요할 땐 하나에 집중할 수 있는 진짜 모범생 모델로 가꾸어봤습니다. 더 나아가 CCTV와 같은 영상 감시 매체에서,특정 도메인 탐지를 통해 유의미한 감시가 될 가는성을 제시하고 구현하였습니다. 9기 권순찬 박선희 오희령 ****국내최초 빅데이터 대학생 연합동아리 BOAZ**** 페이스북: https://www.facebook.com/BOAZbigdata/ 블로그: http://blog.naver.com/boazbigdata 인스타그램: http://www.instagram.com/boaz_bigdata
More Related Content
More from BOAZ Bigdata
More from BOAZ Bigdata (20)
제 8회 BOAZ 빅데이터 컨퍼런스 -04 YOLO WOW (You Only Look Once at What yOu Want)
- 1. YOLO WOW :You Only Look Once at What yOu Want 권순찬, 박선희, 오희령
- 2. 목차 1. Introduction 2. YOLO WOW 3. Implementation 4. Result 5. Conclusion
- 4. 모든 Image를 Detection하는 것이 과연 좋은가? 1.1. 주제 선정 배경
- 5. YOU ONLY LIVE ONCE 1.2. Target algorithm - YOLO
- 6. YOU ONLY LOOK ONCE 1.2. Target algorithm - YOLO
- 7. 1. Bounding Box 탐색 2. Object 분류 각 grid마다 2개의 Bounding Box 7*7 grid Object를 서로 다른 색으로 구분 1.2. Target algorithm - YOLO
- 8. AlexNet 기반 1.2. Target algorithm - YOLO
- 9. 예시 1.2. Target algorithm - YOLO
- 10. ▪ v2: darknet-19 ▪ v3: darknet-53 1.2. Target algorithm - YOLOv3
- 11. 2. YOLO WOW
- 12. 사진 2.1. Idea
- 18. Car Car 사진 YOLO WOW 도메인 입력 2.1. Idea
- 19. Car Car 사진 YOLO WOW 도메인 입력 2.1. Idea One more thing….
- 20. 2.2. Workflow Object detection 논문 검색 및 리뷰 1. Research YOLO 시범 구현 2. Implementation 아이디어 반영 및 성능 튜닝 3. Application
- 22. COCO 데이터셋의 구성 - 80 object categories & object labeling - 200,000 Image file 3.1. Input image
- 23. 3.1. Input image COCO 데이터셋의 구성 - 80 object categories & object labeling - 200,000 Image file
- 24. Cat(15번째 라벨) 중심 위치: 0.76 0.71 너비 높이: 0.40 0.49 0.76 0.71 0.40 0.49 3.1. Input image COCO 데이터셋의 구성 - 80 object categories & object labeling - 200,000 Image file
- 25. 15 0.764276 0.708967 0.397780 0.485967 3.1. Input image COCO 데이터셋의 구성 - 80 object categories & object labeling - 200,000 Image file 0.76 0.71 0.40 0.49
- 26. 3.2. Pre-processing Image Squeeze ✓ CNN Network를 위한 Dimension transformation ✓ Default 416x416
- 27. 3.3. Training Non Maximum Suppression Anchor Box ✓ Bounding box의 중복을 제거해 계산 복잡도를 낮추기 위한 기법 ✓ 동일 Class에 대한 bounding box descend sorting (Confidence 기준) ✓ 가장 높은 Confidence와 IoU가 일정 이상인 Bounding box 제거 (Threshold = 0.4) ✓ 각 grid에 대해 사전에 정의한 5개의 Bounding box를 추론할 위치를 지정 ✓ Recall 성능을 끌어 올리는 데 큰 역할 ✓ 논문과 동일하게 IoU(Intersection over Union)를 기준으로 Centroid 선정
- 28. 3.4. Detection (test) mAP IoU ✓ mean Average Precision ✓ Image Detection 분야에서 쓰이는 performance measure ✓ Non-maximum-suppression을 기준으로 recall- precision graph 설정 후 AP 계산, 이후 mAP 계산 ✓ Intersection over Union ✓ Image Detection 분야에서 쓰이는 performance measure
- 29. 4. Result
- 30. 4.1. Image
- 32. 4.1. Image YOLO WOW for book
- 33. 4.2. Video
- 34. 5. Conclusion
- 35. Linux 환경 설정 + Library 설치 Object detection 논문 리뷰 YOLO WOW 구현 프레젠테이션 준비 취식 5.1. 피, 땀, 눈물...
- 36. 1. Vision 관련 지식 전무 2. 구현 환경 구축 ( OS / GPU computing / Pytorch ) 3. 추가적인 데이터셋 확보의 어려움 (Bounding Box Labeling 까지 된 데이터 기준) 5.2. 한계점
- 37. 감사합니다