- 「YOLO」について学びたいけど理解できるか不安･･･
- 「YOLO」を使うメリットが分からない？
- 「YOLO」を体系的に教えて！
「YOLO（You Only Look Once）」は物体候補領域の提案とクラス分類を1つのネットワークで処理をし高速な処理ができる物体検出モデルですが、興味があってもよく理解できないケースが非常に多いです。
私は過去に基本情報技術者試験（旧：第二種情報処理技術者試験）に合格し、また2年程前に「一般社団法人 日本ディープラーニング協会」が主催の「G検定試験」に合格しました。現在、「E資格」にチャレンジ中ですが３回不合格になり、この経験から学習の要点について学ぶ機会がありました。
そこでこの記事では、「YOLO」のメリット等についてポイントを解説します。
この記事を参考にして「YOLO」のポイントが理解できれば、E資格に合格できるはずです。
1.「YOLO（V1）」登場の背景
Faster RｰCNN
物体候補領域の提案とクラス分類を異なるネットワークで処理
↓
YOLO（V1）
物体候補領域の提案とクラス分類を1つのネットワークで処理
(=1段階検出器)
||
You Only Look Once
（1回だけ見れば良い）
2.YOLO（V1）の工夫
- 入力画像をＳ×Ｓ（固定長）の Gridsに分割
- 候補領域の提案：
各 Grid において、その Gridの真ん中を中心とするB個のBounding Boxを生成 - クラス分類：各 Grid ごとに、含む物体のクラスを分類
バウンディングボックスで
候補領域を抽出
↗ ↘
入力画像をグリッド これらの情報を組
領域に分割 み合わせて物体認識
を行う
↘ ↗
各グリッドでクラス分類
を行う
3.YOLO（V1）のメリットとデメリット
| メリット | デメリット |
|---|---|
| 高速な処理 画像全体を1度に見るから、背景を物体と間違えることがない 汎化性が高い 精度は「Fast R‐CNN」より優れる | 精度は「Faster RｰCNN」に劣る |
4.YOLO（V1）のネットワーク
YOLO（V1）のネットワークで何が出力されるのかなあ？
各 Gridにおける各Bounding Boxの中心、高さ、横（x､y､w､h）、
信頼度スコアの5つと各クラスに対応する特徴マップを同時に出力するよ‼
例えば次のとおり。
S = 7, B=2, クラス数 = 20の例
7 × 7 × (2 × 5 ＋ 20) ＝ 7 × 7 × 30
5.まとめ
最後まで読んで頂きありがとうございます。
皆様のキャリアアップを応援しています!!
コメント