[AI 부트캠프] DAY 111 - 파이널 프로젝트 2

[오늘의 일지]

프로젝트 - Object Detection 공부

[상세 내용]

Object Detection

- object detection은 이전에 CV 트랙학습 때 공부한 적은 있었는데 좀 더 이론적인 측면에서 공부해봐야 할 것 같아서 공부하게 되었습니다. 그래서 오늘은 objec detection의 성능 지표인 IOU와 mAP 2가지에 대해서 알아보겠습니다.

 

IOU

- IOU(Intersection over Union)는 객체 감지(Object Detection) 및 세그멘테이션(Segmentation) 작업에서 모델의 성능을 측정하는 데 사용되는 중요한 평가 지표 중 하나입니다. IOU는 예측된 영역과 실제 영역 간의 겹치는 부분을 측정하는 데 도움이 됩니다.

• IOU= (예측 영역과 실제 영역의 합집합 면적) / (예측 영역과 실제 영역의 교집합 면적)

출처:https://zhuanlan.zhihu.com/p/102628373

 

이를 통해 모델이 얼마나 정확하게 객체를 감지하고 분할하는지를 측정할 수 있습니다. IOU 값은 일반적으로 0에서 1 사이의 값으로 표현되며, 1에 가까울수록 모델의 예측이 실제와 일치함을 나타냅니다. 실제 영상이나 이미지에 적용시킬 때는 아래와 같이 특정 물체를 인식해서 그 물체를 예측해서 문자와 확률을 같이 표현하면서 사용할 수 있습니다.

출처:https://www.analyticsvidhya.com/blog/2018/12/practical-guide-object-detection-yolo-framewor-python/

 

mAP

- mAP(Mean Average Precision)는 객체 감지(Object Detection) 작업에서 모델의 성능을 평가하는 데 사용되는 중요한 지표 중 하나입니다. mAP는 Precision-Recall 곡선(여러 임계값에서의 정밀도와 재현율의 변화를 나타낸 곡선) 아래의 면적을 평균화한 값으로써, 모델이 다양한 클래스에 대해 얼마나 효과적으로 감지하는지를 나타냅니다.

• Precision-Recall Curve 생성: 각 클래스에 대해 Precision과 Recall을 다양한 임계값(threshold)에 대해 계산하여 Precision-Recall 곡선을 생성합니다.
• AP(Average Precision) 계산: Precision-Recall 곡선 아래의 면적을 AP로 계산합니다. 여기서 AP는 해당 클래스에 대한 정밀도-재현율 곡선의 면적입니다.
• mAP 계산: 모든 클래스에 대한 AP를 평균하여 최종적으로 mAP를 계산합니다.

mAP는 모델이 여러 클래스에 대해 얼마나 일관되게 성능을 발휘하는지를 나타내므로, 객체 감지에서는 유용한 평가 지표 중 하나입니다. 높은 mAP 값은 모델이 다양한 객체에 대해 뛰어난 성능을 보이고 있음을 나타냅니다.

주의할 점은, mAP는 모델의 성능을 요약하는 데 사용되지만, 클래스 간의 불균형이 있는 경우에는 주의가 필요합니다. 클래스 간의 샘플 수가 불균형하면, 성능 평가 시에 이를 고려하는 방법이 필요할 수 있습니다.

 

[마무리]

 오늘은 가볍게 object detection과 관련된 평가지표에 대해서 정리해 보았습니다. 실제로 object detection을 사용할 때 중요한 지표로 사용되는 만큼 간단한 지표지만 한번 정리하고 넘어가야 할거 같아서 공부해 보았습니다. 사실 프로젝트를 위해서 공부를 해야 한다면 최신 object detection 모델인 YOLO 버전 8과 같은 것을 예습해 보는 것이 좋을 수도 있으나 아직 프로젝트에 대한 자세한 미팅을 하기 전이기 때문에 가볍게 공부하고 넘어가고자 합니다.