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

안녕하세요! 오늘은 객체 검출의 최신 기술인 RetinaNet과 EfficientDet에 대해 알아보려고 합니다. 이 두 모델은 각각의 독특한 방식으로 객체 검출의 정확도와 효율성을 한층 더 끌어올렸는데요. 각 모델이 어떤 점에서 뛰어난지, 어떻게 작동하는지 자세히 살펴볼게요!

 

📌 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. RetinaNet: 클래스 불균형 해결

 

먼저 소개할 모델은 RetinaNet입니다. RetinaNet은 2017년에 발표된 모델로, 객체 검출에서 흔히 발생하는 클래스 불균형 문제를 효과적으로 해결하기 위해 Focal Loss라는 혁신적인 손실 함수를 도입했어요.

 

 

작동 방식

• Feature Pyramid Network (FPN)
  • RetinaNet은 Feature Pyramid Network (FPN)을 활용해 다양한 스케일의 객체를 검출해요.
  • 여러 해상도의 feature map을 사용해 작은 객체부터 큰 객체까지 잘 잡아낼 수 있어요.
• Focal Loss
  • Focal Loss는 클래스 불균형 문제를 다루기 위해 설계된 Loss 함수에요
  • 쉽게 분류되는 샘플(정확도가 높은 샘플)에는 더 적은 가중치를 부여하고, 어려운 샘플(정확도가 낮은 샘플)에는 더 많은 가중치를 부여하여 드문 객체나 작은 객체의 검출 성능을 높여줘요.
  • 덕분에 배경과 겹치는 객체도 정확하게 잡을 수 있죠.
• Single Shot Detection
  • RetinaNet은 Single Shot 방식으로 작동합니다.
  • 즉, 이미지를 한 번에 분석해 빠르게 객체를 검출할 수 있어 실시간 검출에도 적합해요.

 

단점

• 속도: RetinaNet은 높은 정확도를 자랑하지만, 속도 면에서는 YOLO와 SSD 같은 다른 모델들에 비해 상대적으로 느릴 수 있습니다. 복잡한 장면에서 속도가 떨어질 수 있죠.
• 훈련 복잡성: Focal Loss는 매우 효과적이지만, 학습 과정에서의 파라미터 조정과 하이퍼파라미터 튜닝이 복잡할 수 있어요.

 

2. EfficientDet: 정확도와 효율성 향상

 

다음으로 소개할 모델은 EfficientDet입니다. EfficientDet은 2020년에 발표된 모델로, EfficientNet을 백본으로 사용하여 정확도와 효율성을 동시에 높였어요.

 

 

작동 방식

• EfficientNet Backbone
  • EfficientDet은 EfficientNet을 백본 네트워크로 사용해요
  • 이 네트워크는 모델의 깊이와 폭을 최적화하여, 높은 성능을 유지하면서도 적은 연산 자원을 소모해요.
  • EfficientNet의 기본 네트워크는 MobileNetV2를 기반으로 하며, Depthwise Separable Convolutions를 사용하여 연산량을 줄여요.
• BiFPN (Bidirectional Feature Pyramid Network)
  • BiFPN은 양방향으로 feature를 결합하여 다양한 스케일의 객체를 더욱 정확하게 감지할 수 있게 해요.
  • 이 구조 덕분에 여러 해상도의 feature를 잘 통합할 수 있습니다.
• Compound Scaling
  • EfficientDet은 Compound Scaling 기법을 통해 모델의 크기와 복잡성을 조절할 수 있어요.
  • 이를 통해 성능과 연산 자원 사이의 균형을 맞출 수 있습니다.

 

단점

• 복잡한 구조: EfficientDet의 구조는 다소 복잡하고, 구현과 튜닝이 어려울 수 있습니다. 특히 다양한 환경에서 최적의 성능을 얻기 위해서는 신중한 조정이 필요해요.
• 하드웨어 요구사항: 효율성을 높이기 위해 강력한 하드웨어가 필요할 수 있습니다. 대규모 데이터셋에서의 학습 시에는 높은 사양의 GPU가 요구될 수 있어요.

---

 

RetinaNet과 EfficientDet은 객체 검출 분야에서 큰 혁신을 일으킨 모델들입니다. RetinaNet은 Focal Loss를 통해 클래스 불균형 문제를 해결하고, 작은 객체나 드문 객체의 검출에서 강력한 성능을 보여주며, EfficientDet은 EfficientNet과 BiFPN을 활용하여 정확도와 효율성을 동시에 높였어요.

 

검출 모델들의 장점과 단점을 잘 이해하면, 특정 데이터셋이나 상황에 맞는 최적의 모델을 선택하는 데 큰 도움이 될 거예요. 다음 번에도 새로운 객체 검출 모델 소개로 돌아올게요 !