[論文レビュー] Channel Pruned YOLOv5-based Deep Learning Approach for Rapid and Accurate Outdoor Obstacles Detection

Zeqian Li, Wang, Yuwei+2 more|arXiv (Cornell University)|Apr 27, 2022

Advanced Neural Network Applications被引用数 5

ひとこと要約

本稿では、構造的 pruning とデータ拡張を用いて、リアルタイムで高精度な屋外障害物検出が可能なチャネルpruningを施した YOLOv5 モデルを提案する。モデルサイズを 49.7% 減少させ、推論時間を 52.5% 減少させながらも、高い mAP を維持している。本手法は、BN 层における L1-ノルムスパーストレーニングと最適化されたデータ前処理を組み合わせ、さまざまな天候および距離条件において、独自に収集したドローン搭載データセット上で高い性能を発揮する。

ABSTRACT

One-stage algorithm have been widely used in target detection systems that need to be trained with massive data. Most of them perform well both in real-time and accuracy. However, due to their convolutional structure, they need more computing power and greater memory consumption. Hence, we applied pruning strategy to target detection networks to reduce the number of parameters and the size of model. To demonstrate the practicality of the pruning method, we select the YOLOv5 model for experiments and provide a data set of outdoor obstacles to show the effect of model. In this specific data set, in the best circumstances, the volume of the network model is reduced by 49.7% compared with the original model, and the reasoning time is reduced by 52.5%. Meanwhile, it also uses data processing methods to compensate for the drop in accuracy caused by pruning.

研究の動機と目的

• リソース制約のあるプラットフォームへの統合に適した、軽量でリアルタイムなオブジェクト検出モデルの開発。
• 構造的チャネルpruningを用いて YOLOv5 のモデルサイズと推論時間を著しく削減しつつ、精度の損失を最小限に抑えること。
• さまざまな天候および距離条件下で収集された、多様な実世界の障害物データセットの構築と活用。
• pruning 後の検出精度を向上させるために、データ前処理技術の評価と最適化。
• 速度、サイズ、mAP のパフォーマンスのバランスを最適化する、pruning 確率とデータ拡張手法の最適な組み合わせの特定。

提案手法

• チャネルpruning は、バッチ正規化（BN）層におけるスケーリングパラメータ ε をターゲットとし、L1-ノルム正則化を用いて重要度の低いチャネルを特定・削除する。
• L1正則化付き損失関数を用いたスパーストレーニングにより、ε 値が小さいチャネルがスパースに保たれ、削除される。
• pruning 後に微調整を実施することで精度を回復させ、サイズと性能のバランスを最適化するため、pruning 確率を 0.3 に設定。
• 5 種類のデータ前処理手法を評価：ランダムサイズトレーニング（320–512）、ランダム角度反転（-5° から +5°）、露出、色相、彩度の調整。
• mAP の向上が最も顕著だった、ランダムサイズ、ランダム角度、彩度変動の組み合わせが選択され、冗長効果を最小限に抑える。
• 最終的なモデルは、3 種類の天候（晴れ、曇り、薄霧）と複数の距離を含む、独自に収集したドローン搭載データセット上で訓練・評価された。

実験結果

リサーチクエスチョン

• RQ1 屋外障害物検出において、モデル圧縮と検出精度のバランスを最適化する YOLOv5 の最適なpruning 確率は何か？
• RQ2 さまざまなデータ前処理手法が、pruned YOLOv5 モデルにおける mAP に及ぼす影響は何か？
• RQ3 mAP の向上が最大となる、重複効果や限界効果のないデータ拡張手法の組み合わせは何か？
• RQ4 YOLOv5 の BN レイヤーに適用された pruning が、推論時間とモデルサイズに与える影響は何か？
• RQ5 pruned YOLOv5 モデルは、天候や距離といった多様な実世界条件において、最小限の性能低下で高い精度を維持できるか？

主な発見

• pruned YOLOv5 モデルは、元のモデルと比較して、モデルサイズを 49.7% 減少させ、推論時間を 52.5% 減少させた。
• pruning 確率 0.3 の場合、従来のpruning手法を用いても mAP がわずか 2.4% 増加したにもかかわらず高い精度を維持しており、強力なロバストネスを示した。
• ランダムサイズトレーニングが最大の mAP 向上効果（+0.40）を示し、その後に露出、色相、彩度の調整が続く。累積的な向上効果は最大 +0.52 に達した。
• ランダムサイズ、ランダム角度、彩度変動の組み合わせが最も優れた性能を発揮し、他の組み合わせを上回った。
• 選択された 3 種類の前処理手法（ランダムサイズ、ランダム角度、彩度変動）は、高い精度向上をもたらし、冗長性も最小限に抑えられ、実装に最適である。
• 最適化されたpruningとデータ拡張パイプラインを適用した最終モデルは、テストセットで mAP 75.19 を達成し、実世界応用において高い実用性を示した。