[論文レビュー] YOLOv12: A Breakdown of the Key Architectural Features

Mujadded Al Rabbani Alif, Muhammad Hussain|ArXiv.org|Feb 20, 2025

Environmental Sustainability and Technology被引用数 9

ひとこと要約

本論文はYOLOv12のアーキテクチャを分析し、R-ELANバックボーン、7×7の分離畳み込み、FlashAttentionベースのエリアアテンションを導入し、バリアント全体で優れたmAPと高速推論を報告する。

ABSTRACT

This paper presents an architectural analysis of YOLOv12, a significant advancement in single-stage, real-time object detection building upon the strengths of its predecessors while introducing key improvements. The model incorporates an optimised backbone (R-ELAN), 7x7 separable convolutions, and FlashAttention-driven area-based attention, improving feature extraction, enhanced efficiency, and robust detections. With multiple model variants, similar to its predecessors, YOLOv12 offers scalable solutions for both latency-sensitive and high-accuracy applications. Experimental results manifest consistent gains in mean average precision (mAP) and inference speed, making YOLOv12 a compelling choice for applications in autonomous systems, security, and real-time analytics. By achieving an optimal balance between computational efficiency and performance, YOLOv12 sets a new benchmark for real-time computer vision, facilitating deployment across diverse hardware platforms, from edge devices to high-performance clusters.

研究の動機と目的

• YOLOv12のアーキテクチャ上の革新を説明し、リアルタイム物体検出をどのように改善するかを説明する。
• R-ELANバックボーン、7×7の分離畳み込み、エリアアテンションが精度と効率に与える影響を評価する。
• エッジからクラウドのハードウェアにわたるデプロイメントを見据え、モデルのバリアントと適用上の考慮事項を提示する。

提案手法

• バックボーン（R-ELAN）とその残差接続を説明する。
• 7×7の分離畳み込みと、それがパラメータを抑えつつ空間的コンテキストを保持する役割を説明する。
• FlashAttentionで加速されるネックのエリアアテンション機構を詳述する。
• リアルタイム性能のためのヘッドの再設計と洗練された損失経路を概説する。
• トレーニングパイプラインの強化とパラメータ効率化の手段を要約する。

実験結果

リサーチクエスチョン

• RQ1 R-ELANバックボーンはスケール間の勾配フローと特徴の再利用にどう影響するか？
• RQ2 エリアアテンション（FlashAttentionを介して）の検出精度への寄与は、混雑するシーンでどの程度か？
• RQ3 7×7の分離畳み込みは、精度を犠牲にせずパラメータ数とスループットにどのような影響を与えるか？
• RQ4 YOLOv12のバリアント（12n、12s、12m、12x）と従来のYOLOバージョンとの比較的パフォーマンス向上（速度とmAP）はどの程度か？

主な発見

• YOLOv12のバリアントは、以前のYOLO世代よりも高いCOCO mAPを達成し、推論も高速化している。12xは約56%のmAP50-95を約12 msの推論時間で達成する。
• 小型のバリアント（例：12n、12s）は、遅延制約のあるデプロイメントに適した速度-精度トレードオフを提供する。
• バックボーン（R-ELAN）とネック（FlashAttentionを用いたエリアアテンション）は、リアルタイム性能を維持しつつ、小さな物体や遮蔽物体検出を共同で向上させる。
• 7×7の分離畳み込みは、空間的コンテキストを保持しつつパラメータ数と計算負荷を削減する。
• モデルは共有バックボーンとセグメンテーションヘッドを通じてインスタンスセグメンテーションをサポートし、過大なオーバーヘッドなしに適用範囲を拡大する。