[論文レビュー] PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices

Guanghua Yu, Qinyao Chang+13 more|arXiv (Cornell University)|Nov 1, 2021

Advanced Neural Network Applications被引用数 89

ひとこと要約

PP-PicoDetは、軽量のアンカーなし物体検出器をモバイルデバイス用に最適化し、Enhanced ShuffleNet (ESNet) バックボーン、CSP-PAN ネック、SimOTAベースの動的ラベル割り当てを用いて、ARM CPUで低遅延かつ高精度を実現します。軽量検出機の最先端結果を報告します。

ABSTRACT

The better accuracy and efficiency trade-off has been a challenging problem in object detection. In this work, we are dedicated to studying key optimizations and neural network architecture choices for object detection to improve accuracy and efficiency. We investigate the applicability of the anchor-free strategy on lightweight object detection models. We enhance the backbone structure and design the lightweight structure of the neck, which improves the feature extraction ability of the network. We improve label assignment strategy and loss function to make training more stable and efficient. Through these optimizations, we create a new family of real-time object detectors, named PP-PicoDet, which achieves superior performance on object detection for mobile devices. Our models achieve better trade-offs between accuracy and latency compared to other popular models. PicoDet-S with only 0.99M parameters achieves 30.6% mAP, which is an absolute 4.8% improvement in mAP while reducing mobile CPU inference latency by 55% compared to YOLOX-Nano, and is an absolute 7.1% improvement in mAP compared to NanoDet. It reaches 123 FPS (150 FPS using Paddle Lite) on mobile ARM CPU when the input size is 320. PicoDet-L with only 3.3M parameters achieves 40.9% mAP, which is an absolute 3.7% improvement in mAP and 44% faster than YOLOv5s. As shown in Figure 1, our models far outperform the state-of-the-art results for lightweight object detection. Code and pre-trained models are available at https://github.com/PaddlePaddle/PaddleDetection.

研究の動機と目的

• モバイルデバイスに適したアンカーなしの軽量物体検出器を評価する。
• バックボーンとネックアーキテクチャを改善して、パラメータ数を抑えつつ特徴抽出を強化する。
• ラベル割り当てと損失関数を改善して安定で効率的な学習を実現する。
• 検出タスクに最適化されたNAS支援バックボーン設計を探索して、モバイルハードウェアでの精度–遅延のトレードオフを最適化する。

提案手法

• CSP-PANネックを採用し、1x1チャネル等化でパラメータを削減し、5x5の深層分離畳み込みで受容野を拡大する。
• Enhanced ShuffleNet (ESNet) をバックボーンとして採用し、SEとGhostモジュールで表現能力を向上させつつ軽量性を維持する。
• Varifocal LossとGIoU損失に基づくコストマトリクスを用いたSimOTA動的ラベル割り当てを用い、正のサンプル選択と位置調整を改善する。
• 1回学習の検出スーパーネットを訓練し、バックボーンのチャネル比に焦点を定めたEAベースのアーキテクチャ探索を実施し、選択したアーキテクチャをCOCOで再訓練する。
• モバイル効率のために活性化関数をH-Swishへ置換し、データ拡張を控えめにしつつコサイン学習率減衰を適用する。

実験結果

リサーチクエスチョン

• RQ1 アンカーなし検出器は精度を犠牲にせずモバイルデバイスに最適化できるか。
• RQ2 ESNetとCSP-PANによるバックボーンとネックの改善はARM CPUでのmAPとレイテンシに意味のある向上をもたらすか。
• RQ3 Varifocal/GIoUコストマトリクスを用いた動的SimOTAラベル割り当ては軽量モデルの学習安定性と検出品質を改善するか。
• RQ4 検出タスクに調整された1-shot NASはモバイルハードウェアでの遅延–精度トレードオフを改善するアーキテクチャを見つけられるか。

主な発見

• PP-PicoDet-S (0.99M params) は 30.6% mAP (0.5:0.95) を 1.08G FLOPs、123 FPS でモバイル ARM CPU (320 input) 上に達し、同等スケールの YOLOX-Nano および NanoDet を上回る。
• PP-PicoDet-L (3.3M params) は 40.9% mAP (0.5:0.95) を 8.74G FLOPs で達成し、同等条件下で YOLOv5s より約44%高速。
• より軽量な CSP-PAN ネックと深度wise separable 畳み込みは、ベースラインと比較してパラメータのオーバーヘッドを最小限に抑えつつ顕著な精度向上を実現。
• ESNet バックボーンは ImageNet-1k で ShuffleNetV2-1.5x より精度が高く低遅延を示し、検出タスクの効率向上を支持。
• NAS駆動のバックボーン最適化 (ESNet-0.75x) はパラメータを減らし、mAPの損失が小さく、レイテンシを大幅に低減。