[논문 리뷰] PP-YOLOE: An evolved version of YOLO

Shangliang Xu, Xinxin Wang외 9명|arXiv (Cornell University)|2022. 03. 30.

Advanced Neural Network Applications인용 수 224

한 줄 요약

PP-YOLOE는 앵커 프리(anchor-free) 설계, CSPRepResNet 백본/넥, ET-head, 및 TAL 레이블 할당으로 PP-YOLOv2를 발전시킨 산업용 단일 스테이지 탐지기이며, COCO에서 최첨단 결과를 달성하고 광범위한 배치 호환성을 제공합니다.

ABSTRACT

In this report, we present PP-YOLOE, an industrial state-of-the-art object detector with high performance and friendly deployment. We optimize on the basis of the previous PP-YOLOv2, using anchor-free paradigm, more powerful backbone and neck equipped with CSPRepResStage, ET-head and dynamic label assignment algorithm TAL. We provide s/m/l/x models for different practice scenarios. As a result, PP-YOLOE-l achieves 51.4 mAP on COCO test-dev and 78.1 FPS on Tesla V100, yielding a remarkable improvement of (+1.9 AP, +13.35% speed up) and (+1.3 AP, +24.96% speed up), compared to the previous state-of-the-art industrial models PP-YOLOv2 and YOLOX respectively. Further, PP-YOLOE inference speed achieves 149.2 FPS with TensorRT and FP16-precision. We also conduct extensive experiments to verify the effectiveness of our designs. Source code and pre-trained models are available at https://github.com/PaddlePaddle/PaddleDetection.

연구 동기 및 목표

• 실시간 응용을 위한 확장 가능하고 배치 가능한 모델 패밀리로 단일 스테이지 객체 탐치를 발전시킨다.
• 작업 정렬 학습 패러다임을 통해 분류와 위치 추정 간의 정렬을 개선한다.
• RepResBlock 기반 CSPRepResNet 및 CSPRepResStage로 백본과 넥의 효율성을 향상시킨다.
• 동적 라벨 할당과 빠르고 효율적인 헤드를 도입하여 무거운 변형 연산이나 행렬 NMS 없이도 정확도를 높인다.

제안 방법

• FCOS에서 영감을 받은 앵커 프리 탐지와 픽셀 수준 양성 샘플링을 채택한다.
• 백본/넥에 RepResBlock를 도입하고 효율적인 크로스 스테이지 연결을 위한 CSPRepResNet/CSPRepResStage를 도입한다.
• 동적 라벨 할당을 갖춘 Task Alignment Learning(TAL)을 도입하여 양성 샘플 선택과 위치 추정을 개선한다.
• ESE 어텐션, VFL/DFL 기반 손실 및 분포 기반 경계 상자 모델링을 결합한 Efficient Task-aligned Head(ET-head)를 개발한다.
• 너비/깊이 승수로 모델을 확장하여 s/m/l/x 버전을 생성하고 유연한 배치를 가능케 한다.
• PaddleDetection, TensorRT 및 ONNX 지원과 함께 배포 준비된 구현을 제공한다.

실험 결과

연구 질문

• RQ1 TAL이 포함된 앵커 프리 학습이 앵커 기반 PP-YOLOv2 및 YOLOX와 같은 경쟁 모델에 비해 측정 가능한 이점을 제공하는가?
• RQ2 모델 스케일 전반에 걸쳐 CSPRepResNet/RepResBlock 백본-넥 설계가 속도와 정확도에 미치는 영향은 무엇인가?
• RQ3 VFL/DFL 손실이 적용된 ET-head가 분류-위치 추정 정렬 및 전체 AP에 얼마나 영향을 미치는가?
• RQ4 제안된 PP-YOLOE 시리즈가 변형들 간에 속도, 메모리, 하드웨어 호환성 등 산업 배포 제약을 충족할 수 있는가?

주요 결과

• PP-YOLOE-l은 Tesla V100에서 78.1 FPS로 COCO test-dev에서 51.4 mAP를 달성한다.
• PP-YOLOE-l은 각각 PP-YOLOv2와 YOLOX에 비해 AP를 각각 1.9포인트, 1.3포인트 개선하고 속도도 향상시킨다.
• 앵커 프리 설계는 기본 PP-YOLOv2 대비 AP 손실이 0.3에 불과한 상태로 수작업으로 튜닝된 앵커 의존도를 줄인다.
• TAL은 절단 실험에서 최고 45.2 AP를 제공하며, TAL을 다른 구성 요소와 통합하면 기초값으로 50.4 AP가 된다.
• ET-head는 기본값보다 AP를 0.5 증가시키고 빠른 속도를 유지하여 50.9 AP에 기여한다.
• PP-YOLOE-상위 모델(x)은 정밀도 및 배치 하드웨어에 따라 95.2–149.2 FPS에서 52.2–54.7 AP에 도달한다.
• PP-YOLOE 패밀리는 FP32/FP16/TensorRT 구성에서 YOLOv5/YOLOX에 비해 경쟁력 있거나 우수한 속도/정밀도 트레이드를 달성한다.