[논문 리뷰] A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS

Juan Terven, Diana Cordova-Esparza|arXiv (Cornell University)|2023. 04. 02.

Advanced Neural Network Applications인용 수 185

한 줄 요약

이 논문은 YOLOv1에서 YOLOv8 및 YOLO-NAS까지의 YOLO 객체 탐지기의 진화를 조사하며, 버전 간 아키텍처, 학습 트릭, 성능 경향을 상세히 제시한다.

ABSTRACT

YOLO has become a central real-time object detection system for robotics, driverless cars, and video monitoring applications. We present a comprehensive analysis of YOLO's evolution, examining the innovations and contributions in each iteration from the original YOLO up to YOLOv8, YOLO-NAS, and YOLO with Transformers. We start by describing the standard metrics and postprocessing; then, we discuss the major changes in network architecture and training tricks for each model. Finally, we summarize the essential lessons from YOLO's development and provide a perspective on its future, highlighting potential research directions to enhance real-time object detection systems.

연구 동기 및 목표

• YOLOv1에서 YOLOv8 및 YOLO-NAS까지의 YOLO 패밀리의 진화를 요약한다.
• 버전 간 아키텍처 변경, 학습 기법, 성능 추세를 자세히 설명한다.
• 실시간 탐지에서의 후처리, 지표 및 속도-정확도 트레이드오프를 논의한다.
• 실시간 객체 탐지를 위한 향후 방향과 연구 기회를 강조한다.

제안 방법

• YOLO 평가에 사용되는 기본 개념 및 지표(AP, mAP, IoU, NMS)를 논의한다.
• YOLO 버전 간 아키텍처 변화(백본, 넥, 헤드, 다중 스케일 예측)를 설명한다.
• 각 버전에 도입된 학습 트릭, 손실函数 및 데이터 증강 전략을 요약한다.
• YOLO 변종(YOLOv1–v4, YOLOv3 with spp, YOLO9000, YOLOv3/4/5-era 진화) 및 관련 방법(YOLO with transformers, YOLO-NAS)을 비교한다.
• 실시간 탐지를 위한 속도 대 정확도 트레이드오프 및 실용적 고려사항에 대한 합성된 관점을 제공한다.

Figure 1: A timeline of YOLO versions.

실험 결과

연구 질문

• RQ1 각 YOLO 버전은 이전 버전 대비 속도와 정확도를 어떻게 향상시켰는가?
• RQ2 YOLOv1–YOLOv8 및 YOLO-NAS에서 검출 성능 향상을 이끈 건축적 변화와 학습 변경은 무엇인가?
• RQ3 데이터셋(VOC/COCO) 간 YOLO 변종을 비교하는 데 일반적으로 사용되는 후처리 및 평가 지표는 무엇인가?
• RQ4 YOLO를 사용한 실시간 객체 탐지 발전을 위한 향후 방향과 연구 기회는 무엇으로 식별되는가?
• RQ5 신형 YOLO 변종은 다중 스케일 탐지 및 앵커/프라이어 박스 전략을 어떻게 다루는가?

주요 결과

• YOLO 진화는 아키텍처 개선과 학습 트릭을 통해 정확도(AP/mAP)와 속도 모두에서 점진적 향상을 보인다.
• YOLOv2는 앵커, 고해상도 학습, 완전 합성곱 설계를 도입하여 VOC 2007의 AP를 78.6%로 상승시켰다.
• YOLOv3는 Darknet-53, 다중 스케일 예측, 잔차 연결을 도입하여 작은 물체 탐지를 개선하고 당시 COCO에서 최첨단 성능을 달성했다.
• YOLOv4는 bag-of-freebies 및 bag-of-specials 전략, CSPDarknet53-PANet-SPP 백본 및 고급 학습 기법을 결합하여 강력한 실시간 성능에 도달했다.
• 본 검토는 YOLO-NAS와 transformers를 활용한 YOLO를 향후 방향으로 논의하며, 다양한 응용 분야를 위한 실시간 탐지의 지속적인 개선을 강조한다.

Figure 2: Bibliometric network visualization of the main YOLO Applications created with [ VOSviewer_Visualizing_Scientific_Landscapes_2023 ] .