Object_Detection

객체 검출 모듈 연구

많은 소타모델이 있지만, 현실적으로 관리되지 않는 디텍션 모듈(안정되지 않은)을 운영단계에서 도입할수 없음. 오픈소스로 잘 관리되고 있는 yolov5를 채택하는것이 맞을것으로 보임.

모델명	데이터셋	성능	eval 결과 (mAP)	비고
DAB-DETR	coco test-dev	box AP 63.3	mAP50 61.6 mAP 44.8	전체 코드 없음
SwinV2+HTC	coco test-dev	box AP 63.1		swinv2 아직 mmdetection 지원 x
YOLOv5x6 + TTA	coco eval	mAP 55.8	mAP50 70.8 mAP 55.5	무
YOLOR-D6	coco dataset	mAP 57.3	mAP50 68.5 mAP 52.6	무
YOLOX-s	Argoverse-HD dataset	AP 40.5	mAP50 61.5 mAP 45.3	무
YOLOX-x	Argoverse-HD dataset	AP 51.1	mAP50 70.7 mAP 55.5	무
DynamicHead	coco dataset	COCO mAP 49.8	mAP50 68.4998 mAP 49.6351	무
GLIP-L	FourODs,GoldG,CC3M+12M,SBU	COCO mAP 51.4		inference 속도가 약 0.25s 이기에 매우 느림. real time으로 활용하기에는 부적합
YOLOv7	coco dataset	AP 51.4	mAP50 70.7 mAP 55.1	무
YOLOv7-e6e	coco dataset	AP 56.8	mAP50 72.1 mAP 57.1	무

위의 모델들에 대해 테스트하는 데이터셋에 대한 공개 여부는 비공개입니다. 자체 데이터셋으로 학습한 결과 및 학습 데이터셋 자체 역시 비공개입니다.

성능 평가

평가 정보

• mp: mean precision
• mr: mean recall
• map50: mean average precision (IOU Threshold = 0.5)
• map: mean average precision (0.05의 단계 크기로 0.5부터 0.95까지의 IoU에 대한 평균 AP)

실행 방법

python calc_map.py target_path=디텍션 결과가 저장된 json 파일 위치

입력 데이터

해당 코드는 아래 dictionary 형태로 detection 툴의 출력을 넘겨받아 작업합니다.

# x1, y1: left top (float)
# x2, y2: right bottom (float)
# conf: 예측 confidence (float)
# cls: class index (float)
detection 결과 리스트 = [[x1, y1, x2, y2, conf, cls], [x1, y1, x2, y2, conf, cls]]

# 해당 딕셔너리들을 담은 리스트를 json 파일로 dump 하여주세요

files = sorted(glob('path/to/directory/*'))
dict_list = []

for file in files:
    detection_result = model(Image.open(file))
    pred_dict = {"img_name": 이미지 절대경로(string), "pred": detection 결과}
    dict_list.append(pred_dict)
with open('test.json', 'w') as f:
    json.dump(dict_list, f)

출력 예시