[논문 리뷰] Light-YOLOv5: A Lightweight Algorithm for Improved YOLOv5 in Complex Fire Scenarios

Hao Xu, Bo Li외 1명|arXiv (Cornell University)|2022. 08. 29.

Fire Detection and Safety Systems인용 수 8

한 줄 요약

Light-YOLOv5는 복잡한 화재 상황을 고려해 최적화된 경량이며 고정확도의 YOLOv5 기반 화재 감지 모델을 제안한다. C3 모듈을 분리형 비전 트랜스포머(SepViT)로 대체하고, 경량 BiFPN을 통합하며, 글로벌 어텐션 메커니즘(GAM)을 적용하고, Mish 활성화 함수와 SIoU 손실 함수를 사용함으로써 mAP는 3.3% 향상되고, 파라미터 수는 27.1% 감소하고, FLOPs는 19.1% 감소하여 실시간 추론 시 91.1 FPS를 달성한다.

ABSTRACT

Fire-detection technology is of great importance for successful fire-prevention measures. Image-based fire detection is one effective method. At present, object-detection algorithms are deficient in performing detection speed and accuracy tasks when they are applied in complex fire scenarios. In this study, a lightweight fire-detection algorithm, Light-YOLOv5 (You Only Look Once version five), is presented. First, a separable vision transformer (SepViT) block is used to replace several C3 modules in the final layer of a backbone network to enhance both the contact of the backbone network to global in-formation and the extraction of flame and smoke features; second, a light bidirectional feature pyramid network (Light-BiFPN) is designed to lighten the model while improving the feature extraction and balancing speed and accuracy features during a fire-detection procedure; third, a global attention mechanism (GAM) is fused into the network to cause the model to focus more on the global dimensional features and further improve the detection accuracy of the model; and finally, the Mish activation function and SIoU loss are utilized to simultaneously increase the convergence speed and enhance the accuracy. The experimental results show that compared to the original algorithm, the mean average accuracy (mAP) of Light-YOLOv5 increases by 3.3%, the number of parameters decreases by 27.1%, and the floating point operations (FLOPs) decrease by 19.1%. The detection speed reaches 91.1 FPS, which can detect targets in complex fire scenarios in real time.

연구 동기 및 목표

• 복잡한 화재 상황에서 YOLOv5의 정확도 저하와 높은 계산 비용으로 인해flame 및 연기 감지가 어려운 문제를 해결하기 위해.
• 백본 네트워크에서 글로벌 컨텍스트 인식 능력을 향상시켜 화재 및 연기의 특징 추출을 개선하기 위해.
• 경량이고 효율적인 특징 융합 기반 구조를 통해 검출 속도와 정확도의 균형을 맞추기 위해.
• 고급 활성화 함수와 손실 함수를 통해 모델 수렴 속도를 높이고 검출 정확도를 향상시키기 위해.
• 자원 제약이 있는 환경에 배포 가능한 실시간, 가벼운, 정확한 화재 감지 성능을 달성하기 위해.

제안 방법

• 화재 및 연기 패턴의 장거리 의존성을 잘 포착하고 전반적인 특징 표현을 향상시키기 위해 YOLOv5 백본 내 다수의 C3 모듈을 분리형 비전 트랜스포머(SepViT) 블록으로 대체한다.
• 모델 복잡도를 줄이면서도 특징 융합 효율성을 높이기 위해 경량 이중방향 특징 피라미드 네트워크(Light-BiFPN)를 설계한다.
• 중요한 글로벌 특징을 강조하고 검출 정확도를 향상시키기 위해 글로벌 어텐션 메커니즘(GAM)을 통합한다.
• 학습 중 수렴 속도를 가속화하고 모델 학습 능력을 향상시키기 위해 Mish 활성화 함수를 적용한다.
• 복잡한 화재 상황에서 국소화 정확도와 강건성을 향상시키기 위해 SIoU 손실 함수를 적용한다.
• 검출 성능을 훼손하지 않으면서도 파라미터 수와 FLOPs를 줄이기 위해 전체 아키텍처를 최적화한다.

실험 결과

연구 질문

• RQ1 분리형 비전 트랜스포머 블록이 복잡한 화재 상황에서 YOLOv5의 글로벌 특징 표현을 향상시켜 화재 및 연기 감지 성능을 향상시킬 수 있는가?
• RQ2 경량 특징 피라미드 네트워크는 높은 추론 속도를 유지하면서도 특징 융합을 어떻게 향상시킬 수 있는가?
• RQ3 글로벌 어텐션 메커니즘을 통합할 경우 화재 감지 작업의 정확도 향상 정도는 어느 정도인가?
• RQ4 Mish 활성화 함수와 SIoU 손실 함수를 병합하면 화재 감지에서 수렴 속도 향상과 더 높은 mAP 달성에 기여하는가?
• RQ5 전체 모델은 상당히 감소된 FLOPs와 파라미터를 유지하면서도 높은 정확도를 확보하고 실시간 추론(≥90 FPS)을 달성할 수 있는가?

주요 결과

• Light-YOLOv5는 기존 YOLOv5 대비 평균 평균 정밀도(mAP)에서 3.3% 향상된 성능을 기록한다.
• 기준 모델인 YOLOv5 대비 모델 파라미터 수가 27.1% 감소한다.
• 부동소수점 연산(FLOPs)은 19.1% 감소하여 계산 효율성이 향상됨을 나타낸다.
• 실시간 추론 속도 91.1 FPS를 확보하여 동적 화재 감지 응용 분야에 적합하다.
• SepViT, Light-BiFPN, GAM, Mish, SIoU의 통합은 복잡한 화재 상황에 대응하는 강력하고 효율적인 검출 시스템을 구축한다.
• 제안된 아키텍처는 모델 크기와 계산 비용을 크게 줄이면서도 높은 정확도를 유지하여 엣지 디바이스에의 배포를 가능하게 한다.