[论文解读] Guiding the Creation of Deep Learning-based Object Detectors

Ángela Casado, Jónathan Heras|arXiv (Cornell University)|Sep 6, 2018

Advanced Image and Video Retrieval Techniques参考文献 21被引用 5

一句话总结

本文提出了一套 Jupyter 笔记本，引导非专家用户通过构建基于 YOLO 的目标检测器，自动化完成数据集准备、增强、模型训练和评估。该方法在气孔检测数据集上实现了 90.91% 的 mAP，证明其在生物医学和农业等实际应用中的有效性。

ABSTRACT

Object detection is a computer vision field that has applications in several contexts ranging from biomedicine and agriculture to security. In the last years, several deep learning techniques have greatly improved object detection models. Among those techniques, we can highlight the YOLO approach, that allows the construction of accurate models that can be employed in real-time applications. However, as most deep learning techniques, YOLO has a steep learning curve and creating models using this approach might be challenging for non-expert users. In this work, we tackle this problem by constructing a suite of Jupyter notebooks that democratizes the construction of object detection models using YOLO. The suitability of our approach has been proven with a dataset of stomata images where we have achieved a mAP of 90.91%.

研究动机与目标

• 解决非专家用户在生物医学、农业和安防等领域使用基于 YOLO 的目标检测时面临的陡峭学习曲线。
• 通过抽象复杂设置和配置步骤，使深度学习目标检测技术更易获取。
• 提供一个可复现的、教育性的工具，用于在人工智能和计算机视觉课程中教授目标检测。
• 通过极少的用户输入，实现快速开发高精度、实时的目标检测器。
• 在 GPU 加速系统上完成训练后，支持在资源受限环境中部署模型。

提出的方法

• 开发一套 Jupyter 笔记本，自动化 YOLO 的完整目标检测流程。
• 集成 CLoDSA 进行数据增强，包括翻转、旋转、滤波和噪声注入，以提升泛化能力。
• 使用自定义 Python 脚本自动将 Pascal VOC 标注转换为 YOLO 格式。
• 自动将数据集划分为 90% 训练集和 10% 测试集，并自动组织文件夹及生成配置文件。
• 使用 Titan Xp GPU 训练 YOLO 模型 250,000 个周期，超参数可通过少量用户定义的设置进行配置。
• 支持使用训练好的模型对新图像进行推理，可在任何安装有 Python 和 C++ 的系统上部署。

实验结果

研究问题

• RQ1 如何降低非专家用户在训练基于 YOLO 的目标检测器时的复杂性？
• RQ2 基于 Jupyter 笔记本的助手是否能在真实世界的生物成像任务中实现高 mAP 性能？
• RQ3 自动化数据增强和配置在多大程度上能减少目标检测流程中的手动工作量？
• RQ4 该笔记本套件作为计算机视觉和人工智能教育的教学工具有多有效？
• RQ5 对于非专家用户而言，依赖 GPU 的训练工作流在可扩展性和部署方面存在哪些限制？

主要发现

• Jupyter 笔记本套件成功引导非专家用户在极少配置的情况下完成基于 YOLO 的目标检测全流程。
• 气孔检测模型在测试集上实现了 90.91% 的平均平均精度（mAP），表明其具有出色的检测性能。
• 该模型实现了 98% 的精确率和 99% 的 F1 分数，证明其在识别气孔方面具有高度可靠性。
• 使用 CLoDSA 进行数据增强后，训练数据集从 468 张图像增加到 4,212 张，显著提升了模型的泛化能力。
• 整个流程，包括数据准备、训练和评估，均通过笔记本界面实现自动化和可复现。
• 训练好的模型可部署在任何安装有 Python 和 C++ 的系统上，实现训练后的广泛可访问性。