Ultralytics YOLOv5アーキテクチャ#

YOLOv5（v6.0/6.1）は、Ultralyticsが開発した強力な物体検出アルゴリズムです。この記事では、YOLOv5アーキテクチャ、データ拡張戦略、トレーニング手法、損失計算の手法について詳しく解説します。包括的に理解することで、監視、自動運転車、画像認識など、さまざまな分野で物体検出を実際に活用する際に役立ちます。

1. モデル構造#

YOLOv5のアーキテクチャは、主に次の3つの部分で構成されています:

• バックボーン: ネットワークの主要部分です。YOLOv5では、以前のバージョンで使用されていたDarknetアーキテクチャを改良したCSPDarknet53構造を使用してバックボーンを設計しています。
• ネック: バックボーンとヘッドを接続する部分です。YOLOv5では、SPPF（Spatial Pyramid Pooling - Fast）およびPANet（Path Aggregation Network）構造を使用しています。
• ヘッド: 最終出力を生成する部分です。YOLOv5では、この目的にYOLOv3 Headを使用します。

モデルの構造を以下の画像に示します。モデル構造の詳細については、models/yolov5l.yamlをご覧ください。

YOLOv5では、従来のバージョンと比べて、注目すべき改良がいくつか導入されています:

1. 以前のバージョンで使用されていたFocus構造は、6x6 Conv2d構造に置き換えられています。この変更により効率が向上します #4825。
2. SPP構造はSPPFに置き換えられています。この変更により、同じ出力を維持しながら処理速度が2倍以上に向上します。

SPPとSPPFの速度をテストするには、次のコードを使用できます:

import time

import torch
from torch import nn

class SPP(nn.Module):
    def __init__(self):
        """Initializes an SPP module with three different sizes of max pooling layers."""
        super().__init__()
        self.maxpool1 = nn.MaxPool2d(5, 1, padding=2)
        self.maxpool2 = nn.MaxPool2d(9, 1, padding=4)
        self.maxpool3 = nn.MaxPool2d(13, 1, padding=6)

    def forward(self, x):
        """Applies three max pooling layers on input `x` and concatenates results along channel dimension."""
        o1 = self.maxpool1(x)
        o2 = self.maxpool2(x)
        o3 = self.maxpool3(x)
        return torch.cat([x, o1, o2, o3], dim=1)

class SPPF(nn.Module):
    def __init__(self):
        """Initializes an SPPF module with a specific configuration of MaxPool2d layer."""
        super().__init__()
        self.maxpool = nn.MaxPool2d(5, 1, padding=2)

    def forward(self, x):
        """Applies sequential max pooling and concatenates results with input tensor."""
        o1 = self.maxpool(x)
        o2 = self.maxpool(o1)
        o3 = self.maxpool(o2)
        return torch.cat([x, o1, o2, o3], dim=1)

def main():
    """Compares outputs and performance of SPP and SPPF on a random tensor (8, 32, 16, 16)."""
    input_tensor = torch.rand(8, 32, 16, 16)
    spp = SPP()
    sppf = SPPF()
    output1 = spp(input_tensor)
    output2 = sppf(input_tensor)

    print(torch.equal(output1, output2))

    t_start = time.time()
    for _ in range(100):
        spp(input_tensor)
    print(f"SPP time: {time.time() - t_start}")

    t_start = time.time()
    for _ in range(100):
        sppf(input_tensor)
    print(f"SPPF time: {time.time() - t_start}")

if __name__ == "__main__":
    main()

True
SPP time: 0.5373051166534424
SPPF time: 0.20780706405639648

2. データ拡張手法#

YOLOv5では、モデルの汎化能力を高め、過学習を抑えるために、さまざまなデータ拡張手法を使用します。次のような手法があります:

• モザイク拡張: 4枚のトレーニング画像を1枚に組み合わせる画像処理手法です。物体検出モデルが、さまざまな物体のスケールや位置ずれにより適切に対応できるようにします。

  

• コピー＆ペースト拡張: 画像からランダムなパッチをコピーし、別のランダムに選択した画像に貼り付けて、新しいトレーニングサンプルを生成する革新的なデータ拡張手法です。

  

• ランダムアフィン変換: 画像をランダムに回転、拡大縮小、平行移動、せん断する手法です。

  

• MixUp拡張: 2枚の画像とそれぞれに対応するラベルの線形結合によって、合成画像を作成する手法です。

  

• Albumentations: さまざまなデータ拡張手法に対応した強力な画像拡張ライブラリです。Albumentationsの拡張機能の使用方法について詳しくご覧ください。

• HSV拡張: 画像の色相、彩度、明度をランダムに変更します。

  

• ランダム水平反転: 画像を水平方向にランダムに反転するデータ拡張手法です。

  

3. トレーニング戦略#

YOLOv5では、モデルの性能を高めるために、複数の高度なトレーニング戦略を採用しています。次のような戦略があります:

• マルチスケールトレーニング: トレーニング中に、入力画像を元のサイズの0.5～1.5倍の範囲でランダムにリスケーリングします。
• AutoAnchor: この戦略では、カスタムデータの正解ボックスの統計的特性に一致するように事前アンカーボックスを最適化します。
• Warmup and Cosine LR Scheduler: モデルのパフォーマンスを向上させるために学習率を調整する方法です。
• 指数移動平均 (EMA): 過去のステップにおけるパラメーターの平均を使用して、学習プロセスを安定させ、汎化誤差を低減する戦略です。
• 混合精度学習: 半精度形式で演算を行う方法です。メモリ使用量を削減し、計算速度を向上させます。
• ハイパーパラメーターの進化的最適化: 最適なパフォーマンスを得るために、ハイパーパラメーターを自動的に調整する戦略です。ハイパーパラメーターの進化的最適化のチュートリアルをご覧ください。

4. 追加機能#

4.1 損失の計算#

YOLOv5の損失は、次の3つの個別の損失成分を組み合わせて計算されます。

• クラス損失 (BCE Loss): 二値交差エントロピー損失で、分類タスクの誤差を測定します。
• 物体存在損失 (BCE Loss): もう1つの二値交差エントロピー損失で、特定のグリッドセルに物体が存在するかどうかを検出する際の誤差を計算します。
• 位置損失 (CIoU Loss): 完全IoU損失で、グリッドセル内の物体位置を特定する際の誤差を測定します。

全体の損失関数は次のように表されます。

4.2 損失のバランス調整#

3つの予測レイヤー（P3、P4、P5）の物体存在損失には、それぞれ異なる重みが設定されています。バランス調整の重みは、それぞれ[4.0, 1.0, 0.4]です。この方法により、異なるスケールの予測が合計損失に適切に寄与します。

4.3 グリッド感度の解消#

YOLOv5のアーキテクチャでは、以前のYOLOバージョンと比べて、ボックス予測方法にいくつかの重要な変更が加えられています。YOLOv2とYOLOv3では、最終レイヤーの活性化関数を用いてボックス座標を直接予測していました。

一方、YOLOv5では、グリッド感度を低減し、モデルが上限のないボックス寸法を予測しないように、ボックス座標の予測式が更新されています。

予測されるバウンディングボックスを計算するための改訂後の式は次のとおりです。

スケーリング前後の中心点オフセットを比較してください。中心点オフセットの範囲は(0, 1)から(-0.5, 1.5)に調整されます。そのため、オフセットは簡単に0または1になります。

調整前後の高さと幅のスケーリング比（アンカーに対する相対値）を比較してください。従来のyolo/darknetのボックス計算式には重大な欠陥があります。幅と高さは単にout=exp(in)として計算されるため、完全に上限がありません。これは、勾配の暴走、不安定性、NaN損失を引き起こし、最終的には学習が完全に失敗する危険性があります。詳細については、こちらのissueをご覧ください。

4.4 ターゲットの構築#

YOLOv5のターゲット構築プロセスは、学習効率とモデルの精度に不可欠です。このプロセスでは、出力マップ内の適切なグリッドセルに正解ボックスを割り当て、適切なアンカーボックスとマッチングします。

このプロセスは次の手順で行います。

• 正解ボックスの寸法と各アンカーテンプレートの寸法の比率を計算します。

• 計算された比率がしきい値以内であれば、正解ボックスを対応するアンカーとマッチングします。

• マッチしたアンカーを適切なセルに割り当てます。中心点オフセットが改訂され、その範囲が(0, 1)から(-0.5, 1.5)に調整されたため、追加のマッチングが可能になり、1つの正解ボックスが複数のアンカーに割り当てられる場合があることに注意してください。

このように、ターゲット構築プロセスでは、学習中に各正解物体が適切に割り当てられ、マッチングされるため、YOLOv5は物体検出タスクをより効果的に学習できます。

結論#

YOLOv5は、リアルタイム物体検出の進化における重要な一歩です。そのアーキテクチャの選択、学習戦略、エンジニアリング上の改良により、以前のYOLOバージョンと比べて高いパフォーマンスと効率を実現しています。

YOLOv5の主な改良点には、動的アーキテクチャの採用、幅広いデータ拡張手法、革新的な学習戦略に加え、損失の計算方法とターゲット構築プロセスに対する重要な調整が含まれます。これらの技術革新は、YOLOモデルの特長である高い速度を維持しながら、物体検出の精度と効率を大幅に向上させます。

よくある質問#