YOLOv4, Scaled YOLOv4 를 구현함에 있어 유의할 점

bounding box의 위치와 너비, 높이를 regression 하기 위한 수식이 각각 다르다. PyTorch 로 구현하고자 한다면 수식을 잘 보고 구현해야함

 

https://alexeyab84.medium.com/scaled-yolo-v4-is-the-best-neural-network-for-object-detection-on-ms-coco-dataset-3

 

bx와 by는 YOLOv4 페이퍼에서 언급됐듯이 grid sensitivity 를 고려하여 수정된 것인데... bw와 bh가 왜 저렇게 바뀐지 이유는 못찾았다. YOLOv5 도 Scaled-YOLOv4 의 수식을 따라가는듯하다. 알고보니 Scaled-YOLOv4 가 YOLOv5를 따른 것...

 

https://github.com/ultralytics/yolov5/blob/e96c74b5a1c4a27934c5d8ad52cde778af248ed8/models/yolo.py#L31-L75

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

 

생각해봤을때 exponential 연산은 입력에 따라 overflow가 나기 굉장히 쉬운 연산이다. 특히 mixed precision 으로 트레이닝 시킬때 exp 연산 들어가있으면 학습 도중 overflow가 날 가능성이 굉장히 크다. 반면 시그모이드 함수를 사용하면 출력값만 생각했을때 0~1로 범위가 제한된다. 그리고 YOLOv3와 YOLOv4의 bw, bh 는 범위가 (0, 무한대) 인 반면 Scaled-YOLOv4의 bw는 (0, 4pw), bh 는 (0, 4ph) 로 나름대로 합리적인 범위안으로 바운딩 박스의 크기가 계산되도록 출력 값의 범위에 대한 제한을 줄 수 있다. 참고로 여기서 pw랑 ph 는 anchor box의 너비와 높이이다.

 

jocher님 한테 여쭤봐야겠다.

https://github.com/ultralytics/yolov5/issues/4373

Bounding Box Regression Equation · Issue #4373 · ultralytics/yolov5