[논문 리뷰] Channel Pruned YOLOv5-based Deep Learning Approach for Rapid and Accurate Outdoor Obstacles Detection

Zeqian Li, Wang, Yuwei외 2명|arXiv (Cornell University)|2022. 04. 27.

Advanced Neural Network Applications인용 수 5

한 줄 요약

이 논문은 실시간으로 정확한 실외 장애물 감지를 위한 채널 프루닝된 YOLOv5 모델을 제안하며, 구조적 프루닝과 데이터 증강을 통해 높은 mAP를 유지하면서 모델 크기를 49.7% 감소시키고 추론 시간을 52.5% 감소시켰다. 이 방법은 배치 정규화(BN) 레이어에서 L1-노름 스파arsity 학습을 수행하고 최적화된 데이터 전처리를 결합하여 다양한 기상 조건과 거리 조건에서 안정적인 성능을 발휘한다. 사용자 정의 UAV 수집 데이터셋을 기반으로 한 실험을 통해 검증되었다.

ABSTRACT

One-stage algorithm have been widely used in target detection systems that need to be trained with massive data. Most of them perform well both in real-time and accuracy. However, due to their convolutional structure, they need more computing power and greater memory consumption. Hence, we applied pruning strategy to target detection networks to reduce the number of parameters and the size of model. To demonstrate the practicality of the pruning method, we select the YOLOv5 model for experiments and provide a data set of outdoor obstacles to show the effect of model. In this specific data set, in the best circumstances, the volume of the network model is reduced by 49.7% compared with the original model, and the reasoning time is reduced by 52.5%. Meanwhile, it also uses data processing methods to compensate for the drop in accuracy caused by pruning.

연구 동기 및 목표

• 자원 제약이 있는 플랫폼에 배포 가능한 경량 실시간 객체 검출 모델을 개발하기 위해.
• 구조적 채널 프루닝을 통해 YOLOv5의 모델 크기와 추론 시간을 현저히 줄이되 정확도 손실를 최소화하기 위해.
• 다양한 기상 조건과 거리 조건에서 UAV를 통해 수집한 다양한 실제 장애물 데이터셋을 구축하고 활용하기 위해.
• 프루닝 이후 정확도 향상을 위한 데이터 전처리 기법의 평가 및 최적화를 위해.
• 속도, 크기, mAP 성능 간의 최적 균형을 이룰 수 있는 프루닝 비율과 데이터 증강 방법 조합을 규명하기 위해.

제안 방법

• 채널 프루닝은 배치 정규화(BN) 레이어의 스케일링 파라미터 ε를 대상으로 하며, L1-노름 정규화를 사용해 중요도가 낮은 채널을 식별하고 제거한다.
• L1-정규화된 손실를 사용한 스파arsity 학습을 통해 채널 희소성을 유도하며, ε 값이 작은 채널은 프루닝된다.
• 프루닝 후 정밀도 복구를 위해 미세조정(fine-tuning)을 수행하였으며, 크기와 성능 간 최적 균형을 확보하기 위해 프루닝 비율을 0.3으로 설정하였다.
• 다섯 가지 데이터 전처리 방법을 평가: 랜덤 크기 학습(320–512), 랜덤 각도 반전(-5°에서 +5°), 노출, 색조, 채도 조정.
• 가장 우수한 성능을 보인 데이터 증강 조합인 랜덤 크기, 랜덤 각도, 채도 변동 조합을 선택하여 mAP를 극대화하고 부작용을 최소화하였다.
• 최종 모델은 세 가지 기상 조건(sunny, cloudy, foggy)과 다수의 거리 조건을 포함한 사용자 정의 UAV 수집 데이터셋에서 훈련 및 테스트되었다.

실험 결과

연구 질문

• RQ1 실외 장애물 감지에서 모델 압축과 검출 정확도 사이의 균형을 고려할 때 YOLOv5에 적합한 최적의 프루닝 비율은 무엇인가?
• RQ2 다양한 데이터 전처리 기법이 프루닝된 YOLOv5 모델의 mAP에 어떤 영향을 미치는가?
• RQ3 어떤 데이터 증강 방법 조합이 중복 효과나 수익 감소 없이 가장 높은 mAP 향상을 이끌어내는가?
• RQ4 YOLOv5의 BN 레이어에 프루닝을 적용했을 때 추론 시간과 모델 크기에 어떤 영향을 미치는가?
• RQ5 프루닝된 YOLOv5 모델은 기상 조건과 거리 조건에 관계없이 높은 정확도를 유지를 하며 성능 저하를 최소화할 수 있는가?

주요 결과

• 프루닝된 YOLOv5 모델은 원본 모델 대비 모델 크기를 49.7% 감소시키고 추론 시간을 52.5% 감소시켰다.
• 프루닝 비율 0.3에서 일반적인 프루닝을 사용한 경우 mAP가 2.4% 감소에 그쳐 강력한 내구성을 보였다.
• 랜덤 크기 학습이 가장 큰 mAP 향상(+0.40)을 가져왔고, 이어 노출, 색조, 채도 조정이 이어졌으며, 누적 수익은 최대 +0.52까지 가능했다.
• 랜덤 크기, 랜덤 각도, 채도 변동 조합의 데이터 증강이 가장 뛰어난 성능을 보였으며, 다른 조합보다 뛰어났다.
• 세 가지 선택된 전처리 방법—랜덤 크기, 랜덤 각도, 채도 변동—은 중복 최소화를 통해 뚜렷한 정확도 향상을 가져왔으며, 배포에 이상적이다.
• 최종 모델는 최적화된 프루닝 및 데이터 증강 파이프라인을 적용한 후 테스트 세트에서 mAP 75.19를 기록하여 실생활 적용에 매우 실용적임을 입증했다.