아키텍쳐
Darknet53 구현
def __init__ ()
self.layer1 = self._make_layer(32, 64, 1) #3층
self.layer2 = self._make_layer(64, 128, 2) #5층
self.layer3 = self._make_layer(128, 256, 8) #17층
self.layer4 = self._make_layer(256, 512, 8) #17층
self.layer5 = self._make_layer(512, 1024, 4) #9층
def _make_layer(self, in_channels, out_channels, num_blocks):
layers = []
layers.append(ConvBlock(in_channels, out_channels, 3, stride=2)) #채널 32 > 64
for _ in range(num_blocks):
layers.append(ResBlock(out_channels)) #채널 64 > 32, 32 > 64
return nn.Sequential(*layers)
class ResBlock(nn.Module):
def __init__(self, channels):
super().__init__()
# reduced_channels, layer1, layer2, activation
reduced_channels = channels // 2
self.layer1 = ConvBlock(channels, reduced_channels, 1)
self.layer2 = ConvBlock(reduced_channels, channels, 3, activation=False)
self.activation = nn.LeakyReLU(0.1)
def forward(self, x):
# residual, layer1, layer2, activation(out + residual)
residual = x
out = self.layer1(x)
out = self.layer2(out)
out = self.activation(out + residual)
return out
Yolo_block 살펴보기
- Convolutional을 거치면, 크기가 작아진다.
- 크기가 작으면, 작은 것을 검출하기 힘들다.
- 중간 피처맵을 함께 분류(classification)한다.
- Output 13 x 13 일때,
- 5개의 conv를 거친다.
- head로 13 x 13 x 255 결과를 내보낸다.
- 26 x 26 으로 Up-sample 한다.
- Output 26 x 26 일 때,
- 26 x 26 Up-sample과 concat한다.
- 5개의 conv를 거친다.
- head로 26 x 26 x 255 결과를 내보낸다.
- 52 x 52 로 Up-sample 한다.
- Output 52 x 52 일 때,
- 52 x 52 Up-sample과 concat한다.
- 5개의 conv를 거친다.
- head로 52 x 52 x 255 결과를 내보낸다.
YOLO 버전별 헤드 비교
- YOLOv1:
- 7 x 7 x 30
- (2 x 5) + 20
- 1grid에서 2bbox 추론, 1 Class 추론
- 1 이미지당 98 bbox (= 49 * 2)
- YOLOv2:
- 13 x 13 x 125
- 5 x (5 + 20)
- 1grid에서 5bbox 추론, bbox당 Class 추론
- 1 이미지당 845 bbox (= 13 * 13 * 5)
- YOLOv3:
- 13 x 13 x 255, 26 x 26 x 255, 52 x 52 x 255
- 원본이미지 상응 32x32[큰물체], 16x16, 8x8[작은물체]
- 13 x 13 x 255 [큰물체].....
- 3 x (5 + 80)
- 1grid에서 3bbox 추론, bbox당 Class 추론
- 1 이미지당 10,647 bbox = 507 bbox + 2,028 bbox + 8,112 bbox
- anchors box는 크기당 3개씩 총 9종류가 필요하다.
Tags:
AI개발_교육
