[論文レビュー] What is YOLOv8: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector

Muhammad Yaseen|arXiv (Cornell University)|Aug 28, 2024

Advanced Neural Network Applications被引用数 24

ひとこと要約

本論文は YOLOv8 のアーキテクチャ、訓練技法、YOLOv5 に対する性能向上を分析し、COCO や Roboflow 100 などのベンチマークでアンカー非依存設計、CSPNet バックボーン、FPN+PAN ネック、開発者向けツールを強調します。

ABSTRACT

This study presents a detailed analysis of the YOLOv8 object detection model, focusing on its architecture, training techniques, and performance improvements over previous iterations like YOLOv5. Key innovations, including the CSPNet backbone for enhanced feature extraction, the FPN+PAN neck for superior multi-scale object detection, and the transition to an anchor-free approach, are thoroughly examined. The paper reviews YOLOv8's performance across benchmarks like Microsoft COCO and Roboflow 100, highlighting its high accuracy and real-time capabilities across diverse hardware platforms. Additionally, the study explores YOLOv8's developer-friendly enhancements, such as its unified Python package and CLI, which streamline model training and deployment. Overall, this research positions YOLOv8 as a state-of-the-art solution in the evolving object detection field.

研究の動機と目的

• YOLOv8 の性能を YOLOv5 を含む最先端検出器と比較評価する。
• CSPNet バックボーン、FPN+PAN ネックのアーキテクチャ的革新が精度とマルチスケール検出へ及ぼす影響を評価する。
• アンカー非依存の境界ボックス予測と訓練の改善の利点を検討する。
• 訓練とデプロイメントのための統一された Python パッケージと CLI といった開発者向け機能を分析する。
• COCO および Roboflow 100 データセットで YOLOv8 をベンチマークし、モデルサイズ間で比較する。

提案手法

• YOLOv8 のアーキテクチャ的構成要素（バックボーン、ネック、ヘッド）とアンカー非依存アプローチへの移行を説明する。
• モザイク/ミックスアップ拡張、 focal loss、混合精度トレーニング、PyTorch 最適化を含む訓練手法を要約する。
• データ拡張技術と損失成分（ focal loss、IoU loss、objectness loss ）を詳述する。
• モデルファミリのバリエーションとパラメータ数、速度、精度指標を提示する。
• YOLOv8 を benchmark の報告指標で YOLOv5 と比較する。

Figure 1: Process of Object Detection [ 13 ]

実験結果

リサーチクエスチョン

• RQ1 CSPNet バックボーンと強化された FPN+PAN ネックは YOLOv8 における特徴抽出とマルチスケール検出にどう影響するか？
• RQ2 標準ベンチマークで YOLOv8 は YOLOv5 に対してどの程度の性能向上（精度と速度）を達成するか？
• RQ3 アンカー非依存の境界ボックスと高度なデータ拡張は検出の頑健性にどう寄与するか？
• RQ4 開発者中心のツール（Python パッケージ、CLI）の実用的影響は訓練とデプロイの効率にどう影響するか？

主な発見

Metric	YOLOv5	YOLOv8
mAP@0.5	50.5%	55.2%
Inference Time	30 ms/image	25 ms/image
Training Time	12 hours	10 hours
Model Size	14 MB	12 MB

• YOLOv8 は YOLOv5 より高い mAP@0.5 を示す（55.2% 対 50.5%）。
• YOLOv8 は推論時間が速い（25 ms/image） YOLOv5 は 30 ms/image 。
• YOLOv8 は訓練時間を短縮する（10 時間 対 YOLOv5 の 12 時間）。
• YOLOv8 のモデルサイズは小さい（12 MB 対 YOLOv5 の 14 MB）。
• 論文は 5 つの YOLOv8 バリアント (n, s, m, l, x) を文書化しており、精度とパラメータ数は増加し、異なるハードウェア制約に適している。

Figure 2: Model Structure of Yolov8 [ 14 ]