[Object Detection] 객체 검출 모델 (3) : YOLOv1 ~ YOLOv4

이전 포스팅에서 살펴본 Faster R-CNN이 Region Proposal을 GPU에서 처리하면서 실시간 객체 검출에 가까워졌다면, YOLO는 한 걸음 더 나아가 객체 검출을 진정한 실시간으로 가능하게 만들었어요.

 

이번 포스팅에서는 YOLO의 발전 과정을 버전별로 살펴보고, 각 버전이 어떤 방식으로 작동하며, 어떤 차이점을 가지고 있는지 알아보려고 해요 😊

 

📌 객체 검출 모델 전체 포스팅

[Object Detection] 객체 검출 모델 (1) : RCNN, SPPNet

[Object Detection] 객체 검출 모델 (2) : Fast RCNN, Faster RCNN

[Object Detection] 객체 검출 모델 (3) : YOLOv1 ~ YOLOv4

[Object Detection] 객체 검출 모델 (4) : RetinaNet, EfficientDet

---

1. YOLOv1 : 초기 모델의 탄생

YOLO v1은 2016년 Joseph Redmon에 의해 제안된 모델로, 객체 검출을 위한 혁신적인 접근 방식을 도입했어요. YOLO v1은 이미지 전체를 한 번에 바라보는 방식으로, 1-Stage Object Detection의 시작을 알렸어요. 이 모델은 기존의 RCNN 계열 모델들과는 달리, 객체 검출과 분류를 동시에 수행해 속도와 효율성을 극대화했어요.

 

작동 방식

• 그리드 시스템
  • YOLO v1은 이미지를 S x S 크기의 그리드로 나누어요.
  • 각 그리드 셀은 그 영역 안에 객체가 있는지 확인하고, 있다면 그 객체에 대한 Bounding Box와 Confidence Score를 예측해요.
• Bounding Box Regression
  • 각 그리드 셀은 2개의 Bounding Box를 예측하고,
  • 각 박스는 위치, 크기, 신뢰도(객체일 확률)를 포함해요.
• 클래스 확률
  • 각 그리드 셀은 그 영역에 존재할 수 있는 객체의 클래스 확률도 예측해요.
  • 이 클래스 확률은 예측된 Bounding Box와 곱해져 최종적으로 해당 객체의 신뢰도를 산출해요.
• End-to-End Training
  • YOLO v1은 전체 네트워크를 하나의 CNN으로 설계해 End-to-End로 학습이 가능해요.
  • 이는 모델이 더 빠르고 효율적으로 학습할 수 있게 해줍니다.

 

단점

• 정확도 문제: YOLO v1은 작은 객체나 그리드 경계에 걸쳐 있는 객체를 감지하는 데 어려움을 겪었어요. 이는 모델이 상대적으로 낮은 정확도를 가지게 만들었어요.
• Localization 오류: YOLO v1은 객체 위치를 예측하는 데 있어서 Localization 오류가 발생할 수 있었어요. Bounding Box의 위치와 크기를 정확히 예측하기 어려웠어요.

 

2. YOLOv2 (YOLO9000): 속도와 정확도의 균형

 

YOLO v2는 2017년 Joseph Redmon에 의해 발표되었어요. 이 버전은 YOLO9000이라는 이름으로도 알려져 있으며, YOLO v1의 한계를 개선해 속도와 정확도 사이의 균형을 맞추려고 했어요. YOLO v2는 기존 모델의 빠른 속도는 유지하면서, 객체 검출의 정확도를 크게 향상시켰어요.

 

작동 방식

• Anchor Boxes 도입
  • YOLO v2는 Faster R-CNN에서 사용된 Anchor Boxes 개념을 도입했어요.
  • 이로 인해 객체의 위치와 크기를 예측하는 정확도가 개선되었어요.
• Batch Normalization
  • 네트워크 전반에 Batch Normalization을 적용해 학습 속도를 높이고, 과적합을 방지했어요.
  • 이는 모델의 성능을 전반적으로 향상시켰어요.
• High-Resolution Classifier
  • YOLO v2는 높은 해상도에서 객체를 분류하도록 학습되었어요.
  • 이로 인해 더 작은 객체도 효과적으로 감지할 수 있게 되었어요.
• Passthrough Layer
  • 작은 객체 검출 성능을 향상시키기 위해 Passthrough Layer를 도입했어요.
  • 이 레이어는 낮은 해상도의 feature map을 높은 해상도의 feature map으로 통합해 더 세밀한 정보 처리가 가능하게 해줘요.

 

단점

• Anchor Box의 수: YOLO v2의 Anchor Box 수는 고정되어 있어서, 다양한 객체 크기를 감지하는 데 한계가 있을 수 있어요.
• 여전히 Localization 문제: YOLO v2는 v1에 비해 향상되었지만, 여전히 객체 위치를 정확히 예측하는 데 있어서 일부 한계를 가지고 있어요.

 

3. YOLOv3: 더욱 강력한 성능

 

YOLO v3는 2018년 Joseph Redmon에 의해 발표되었으며, YOLO 시리즈 중 가장 널리 사용되는 버전 중 하나예요. 이 모델은 더욱 깊고 복잡한 네트워크 구조를 채택해, 더 높은 정확도와 더 나은 성능을 제공해요.

작동 방식

• Feature Pyramid Network (FPN)
  • YOLO v3는 Feature Pyramid Network (FPN) 구조를 채택해 다양한 크기의 객체를 감지하는 성능을 향상시켰어요.
  • FPN은 세 가지 다른 크기의 feature map을 사용해 작은 객체부터 큰 객체까지 모두 효과적으로 검출할 수 있게 해줘요.
• Darknet-53 Backbone
  • YOLO v3는 Darknet-53이라는 새로운 백본 네트워크를 사용했어요.
  • 이 네트워크는 53개의 convolutional layer로 이루어져 있으며, 이전 버전들보다 더 깊고 강력해요. 이를 통해 더 복잡한 객체를 검출할 수 있게 되었어요.
• No Softmax
  • YOLO v3는 기존의 Softmax 대신 Logistic Regression을 사용해 각 클래스에 대한 독립적인 확률을 계산해요.
  • 이를 통해 다중 라벨 객체도 효과적으로 검출할 수 있게 되었어요.

 

단점

• 속도 저하: YOLO v3는 이전 버전들에 비해 더 복잡한 네트워크 구조를 사용했기 때문에, 연산량이 증가하고 속도가 약간 저하될 수 있어요.
• 더 높은 하드웨어 요구사항: YOLO v3는 더 많은 연산이 필요하기 때문에, 성능을 최대화하려면 더 강력한 하드웨어가 필요해요.

 

4. YOLOv4: 실시간 성능 최적화

 

YOLO v4는 2020년 Alexey Bochkovskiy에 의해 발표되었어요. YOLO v4는 실시간 성능과 정확도를 극대화하기 위해 여러 가지 최적화 기법을 도입했어요. 이 버전은 더 많은 데이터와 다양한 기법을 통합해 실제 환경에서 더 높은 성능을 발휘할 수 있도록 설계되었어요.

 

작동 방식

• Bag of Freebies (BoF)
  • YOLO v4는 Bag of Freebies라는 다양한 학습 기법을 적용해 성능을 향상시켰어요.
  • 이 기법들은 모델의 연산량을 증가시키지 않으면서도, 학습 과정에서 성능을 극대화할 수 있게 해줘요.
  • 예를 들어, Mosaic Data Augmentation이나 Self-Adversarial Training 같은 기법들이 이에 해당해요.
• Bag of Specials (BoS)
  • Bag of Specials는 모델의 연산량은 증가시키지만, 성능 향상에 기여하는 추가적인 기법들을 말해요.
  • YOLO v4는 CSPDarknet53 백본 네트워크, SPP 블록, PANet 구조를 도입해 모델의 검출 성능을 한층 더 강화했어요.
• CSPDarknet53 Backbone
  • YOLO v4는 CSPDarknet53 백본을 사용해, 모델의 속도와 정확도 사이의 균형을 유지하면서도 성능을 극대화했어요.

 

단점

• 복잡한 구성: YOLO v4는 다양한 최적화 기법들이 포함되어 있어, 초보자에게는 구성과 이해가 다소 복잡할 수 있어요.
• 더 많은 하드웨어 자원 필요: 최적화된 성능을 발휘하기 위해서는 여전히 높은 성능의 하드웨어가 필요할 수 있어요.

---

 

YOLO 시리즈의 초기 버전들인 YOLO v1부터 YOLO v4까지는 객체 검출 기술의 큰 발전을 이뤄냈어요. 이러한 발전들은 객체 검출 분야에서 YOLO가 어떻게 실시간 성능과 높은 정확도를 동시에 달성했는지를 보여줍니다. 

 

다음 포스팅에서는 YOLO v5 이후의 발전을 다루어 볼 예정입니다. 최신 YOLO 모델들이 어떻게 객체 검출의 정확도와 효율성을 한층 더 높였는지, 그리고 그들이 가지는 특징과 차별점에 대해 자세히 살펴보겠습니다. 계속해서 최신 기술 동향을 확인하고, YOLO의 발전을 함께 따라가 보세요! 🌟