[論文レビュー] Fall Detection for Industrial Setups Using YOLOv8 Variants

Gracile Astlin Pereira|arXiv (Cornell University)|Aug 8, 2024

Context-Aware Activity Recognition Systems被引用数 4

ひとこと要約

本稿では、独自のデータ増強パイプラインを組み込んだYOLOv8バージョンを用いて、産業環境向けのリアルタイム転倒検出システムを提案する。YOLOv8mモデルが性能と効率の最良のバランスを達成し、50%のIoUにおける平均平均精度（mAP）が0.971に達する。これは、リソース制約のある環境へのデプロイに最適でありながら、高い検出精度を維持している。

ABSTRACT

This paper presents the development of an industrial fall detection system utilizing YOLOv8 variants, enhanced by our proposed augmentation pipeline to increase dataset variance and improve detection accuracy. Among the models evaluated, the YOLOv8m model, consisting of 25.9 million parameters and 79.1 GFLOPs, demonstrated a respectable balance between computational efficiency and detection performance, achieving a mean Average Precision (mAP) of 0.971 at 50% Intersection over Union (IoU) across both "Fall Detected" and "Human in Motion" categories. Although the YOLOv8l and YOLOv8x models presented higher precision and recall, particularly in fall detection, their higher computational demands and model size make them less suitable for resource-constrained environments.

研究の動機と目的

• 複雑な産業環境に特化した耐障害性があり、リアルタイム性を備えた転倒検出システムの開発。
• 複数のYOLOv8バージョン（n, s, m, l, x）が転倒および人体の動きを検出する性能を評価すること。
• データセットのばらつきを高める新しいデータ増強パイプラインを用いて、モデルの汎化性能を向上させること。
• 産業環境へのデプロイに最適な、正確性、推論速度、計算効率のバランスが取れた最適なYOLOv8バージョンを同定すること。
• 高リスクの産業環境における作業者の安全を向上させるためのスケーラブルで非侵襲的なソリューションの提供。

提案手法

• 産業用映像シーケンスにおける物体検出にYOLOv8バージョン（YOLOv8nからYOLOv8xまで）を適用し、インスタンスを「転倒検出済み」または「人体の動き」に分類した。
• データセットの多様性を高め、モデルの汎化性能と耐障害性を向上させるために、独自のデータ増強パイプラインを実装した。
• 訓練の安定化と収束の改善を図るため、交差エントロピー損失と分布フォーカル損失の組み合わせを用いてモデルを訓練した。
• mAP（50% IoU）、精度、再現率、および推論時間（YOLOv8xでは1画像あたり27.5 ms）を用いて性能を評価した。
• 実世界でのデプロイ可能性を考慮し、mAP、モデルサイズ、GFLOPsのトレードオフに基づいて最良のモデルを選定した。
• 転移学習とハイパーパramータチューニングを用いて、各バージョンの産業用転倒検出データセットにおける性能最適化を実施した。

Figure 1: Industrial Activity Dataset

実験結果

リサーチクエスチョン

• RQ1 産業用転倒検出において、どのYOLOv8バージョンが検出精度と計算効率の最良のトレードオフを達成するか？
• RQ2 提案されたデータ増強パイプラインは、多様な産業環境においてモデルの汎化性能とmAPをどのように向上させるか？
• RQ3 各YOLOv8バージョンは産業用映像データに対してどの程度の推論速度とリアルタイム性能を示すか？
• RQ4 「転倒検出済み」と「人体の動き」の各クラスにおいて、異なるモデルサイズで精度と再現率はどのように変化するか？
• RQ5 軽量なYOLOv8モデルは、リソース制約のある産業環境へのデプロイに適したまま、高いmAPを達成できるか？

主な発見

• YOLOv8mモデルは、「転倒検出済み」と「人体の動き」の両カテゴリにおいて、50%のIoUで最高のmAP（0.971）を達成し、全体的なバランスが最も優れていた。
• YOLOv8lは最高のmAP（0.841）を記録したが、顕著に高い計算リソースを要し（165.4 GFLOPs）、パラメータ数も43.6Mに達した。
• YOLOv8nは転倒検出で98%の精度を達成したが、「人体の動き」インスタンスを一切検出できず、そのクラスにおける再現率が著しく低かった。
• YOLOv8xは転倒検出で最高の精度と再現率を示したが、推論時間が最も遅く（1画像あたり27.5 ms）、モデルサイズも最大（68.2Mパラメータ）であった。
• 独自のデータ増強パイプラインは、訓練損失（0.08659）と検証損失（1.664）の両方が低く安定していることから、安定した訓練に寄与した。
• YOLOv8mは最適な妥協を提供し、中程度の計算コスト（79.1 GFLOPs）で強力なmAP（0.971）を達成した。これは、実世界の産業環境へのデプロイに最も適している。

Figure 2: Image after random resizing