[论文解读] Evaluation of YOLO Models with Sliced Inference for Small Object Detection

Muhammed Can Keles, Batuhan Salmanoglu+3 more|arXiv (Cornell University)|Mar 9, 2022

Advanced Neural Network Applications被引用 6

一句话总结

本论文在VisDrone2019Det数据集上评估了YOLOv5和YOLOX模型在小目标检测任务中使用切片推理和微调的效果。切片推理显著提升了AP50得分，尤其对YOLOv5模型更为明显；结合切片微调与推理的方案实现了最高性能，YOLOv5-Large模型在该设置下达到48.8的AP50得分。

ABSTRACT

Small object detection has major applications in the fields of UAVs, surveillance, farming and many others. In this work we investigate the performance of state of the art Yolo based object detection models for the task of small object detection as they are one of the most popular and easy to use object detection models. We evaluated YOLOv5 and YOLOX models in this study. We also investigate the effects of slicing aided inference and fine-tuning the model for slicing aided inference. We used the VisDrone2019Det dataset for training and evaluating our models. This dataset is challenging in the sense that most objects are relatively small compared to the image sizes. This work aims to benchmark the YOLOv5 and YOLOX models for small object detection. We have seen that sliced inference increases the AP50 score in all experiments, this effect was greater for the YOLOv5 models compared to the YOLOX models. The effects of sliced fine-tuning and sliced inference combined produced substantial improvement for all models. The highest AP50 score was achieved by the YOLOv5- Large model on the VisDrone2019Det test-dev subset with the score being 48.8.

研究动机与目标

• 评估最先进的基于YOLO的模型在真实场景中小目标检测的表现。
• 分析切片推理对YOLOv5和YOLOX在小目标检测任务中性能的影响。
• 探究针对切片推理专门进行微调的有效性。
• 在包含大量小目标的挑战性数据集VisDrone2019Det上，建立YOLO模型的性能基准。

提出的方法

• 本研究采用YOLOv5和YOLOX模型作为目标检测的骨干网络。
• 通过将输入图像划分为非重叠的图像块，应用切片推理以提升小目标的检测效果。
• 在切片推理设置上对模型进行微调，使其适应基于图像块的推理模式。
• 在包含小尺度目标的VisDrone2019Det数据集上进行训练与评估。
• 使用AP50作为主要指标，评估所有实验中的检测性能。
• 系统性地评估切片推理与微调相结合的效果，以分析其协同增益。

实验结果

研究问题

• RQ1 切片推理对YOLOv5和YOLOX在小目标检测任务中的AP50性能有何影响？
• RQ2 在切片推理之后应用微调，检测精度的相对提升程度如何？
• RQ3 切片推理的优势在YOLOv5和YOLOX模型之间是否存在差异？
• RQ4 在VisDrone2019Det数据集上，使用切片推理与微调的YOLO模型可达到的最高AP50得分是多少？
• RQ5 切片推理与微调的组合是否能超越标准推理设置的性能？

主要发现

• 切片推理在所有测试的YOLOv5和YOLOX模型中均一致提升了AP50得分。
• 与YOLOX模型相比，YOLOv5模型从切片推理中获得的性能增益更为显著。
• 结合使用切片微调与切片推理，相比标准推理或单一技术，实现了显著的性能提升。
• YOLOv5-Large模型在VisDrone2019Det测试-开发子集上实现了最高的AP50得分48.8。
• 仅使用切片推理即可提升AP50，但与微调结合后获得了最显著的性能增益。
• 结果表明，通过微调使模型适应切片推理模式，是最大化小目标检测性能的关键。