encyklopedia.run.place

YOLOv2

YOLOv2 (ang. You Only Look Once version 2) – druga wersja popularnego modelu do detekcji obiektów w obrazach, opracowanego w ramach projektów YOLO i Google Brain. Model został zaprezentowany w 2016 r. w pracy „YOLO9000: Better, Faster, Stronger” autorstwa Joespha Redmona i Ali Farhadi. YOLOv2 jest przełomowy ze względu na połączenie wysokiej prędkości przetwarzania z dokładnością konkurencyjną wobec klasycznych metod wizji komputerowej.

Historia

Pierwsza wersja YOLO pojawiła się w 2015 r., wprowadzając koncepcję jednoczesnej analizy całego obrazu przy użyciu jednej sieci konwolucyjnej (CNN). Pomimo imponującej szybkości, model początkowo cierpiał na niską precyzję przy małych obiektach. W odpowiedzi na te ograniczenia, w 2016 r. zespół Redmona i Farhadi opublikował YOLOv2, wprowadzając szereg ulepszeń, takich jak:

Architektura

YOLOv2 opiera się na strukturze Darknet‑19, kolejnej generacji lekkiej sieci konwolucyjnej stworzonej specjalnie dla zadań detekcji.

  1. Warstwy konwolucyjne: 19 warstw konwolucyjnych z filtrami o rozmiarach od 3×3 do 7×7, każda połączona z warstwą Batch Normalization i funkcją aktywacji Leaky ReLU.
  2. Warstwa „Passthrough”: łączenie wysokorozdzielczych cech z niższymi warstwami w celu lepszej detekcji małych obiektów.
  3. Warstwa wyjściowa: Dla każdego z S × S komórek siatki (zwykle S = 13) model przewiduje B anchor boxes oraz po C + 5 wartości (klasy, współrzędne, pewność).

Ulepszenia względem YOLOv1

W porównaniu do pierwotnej wersji, YOLOv2 osiąga:

  • ~2‑3‑krotną poprawę mean Average Precision (mAP) na zestawie PASCAL VOC (od 63,4 % do 78,6 %).
  • Zachowanie wysokiej wydajności – do 40 klatek na sekundę przy rozdzielczości 416 × 416 px na jednej karcie graficznej GPU.
  • Możliwość wykrywania ponad 9000 klas dzięki integracji z bazą WordNet (tzw. YOLO9000).

Trening i dane

Model można trenować na standardowych zbiorach danych używanych w dziedzinie detekcji:

  • PASCAL VOC (2007/2012) – klasyczny zestaw z 20 kategoriami.
  • COCO – większy zbiór obejmujący 80 klas i ponad 330 000 obrazów.
  • Własne zestawy danych – wymagają konwersji do formatu .txt z koordynatami w systemie relative (0‑1).

W trakcie treningu stosuje się stochastic gradient descent (SGD) z momentem (momentum) 0,9, początkową stopą uczenia 0,001 oraz harmonogramem zmniejszania po każdej 30‑tej epoce.

Zastosowania

YOLOv2 znalazło zastosowanie w wielu dziedzinach, m.in.:

  • Systemy monitoringu i bezpieczeństwa – detekcja osób i pojazdów w czasie rzeczywistym.
  • Autonomiczne pojazdy – rozpoznawanie pieszych, znaków drogowych i innych pojazdów.
  • Analiza sportowa – śledzenie zawodników i piłek podczas meczu.
  • Robotyka – orientacja w otoczeniu i interakcja z obiektami.

Porównanie z innymi metodami

W tabeli poniżej zestawiono YOLOv2 z wybranymi modelami detekcji obiektów dostępnymi w 2023 r.:

Model mAP (COCO) FPS (1080 Ti) Architektura bazowa
YOLOv2 ≈ 51 % ≈ 40 Darknet‑19
Faster R-CNN ≈ 57 % ≈ 7 ResNet‑101
SSD300 ≈ 53 % ≈ 22 VGG‑16

Wersje i rozwinięcia

Po sukcesie YOLOv2 powstały kolejne wersje:

  • YOLOv3 – wprowadzenie skalowalnych feature pyramids i trzech grup anchor boxes.
  • YOLOv4 – optymalizacje pod kątem wydajności (CSPDarknet53, Mish activation).
  • YOLOv5 – implementacja w PyTorch oraz zestaw modeli od nano do xlarge.
  • YOLOv7 – najnowsze usprawnienia w architekturze i metodach treningowych.

Ograniczenia

Mimo licznych zalet, YOLOv2 ma pewne ograniczenia:

  • Trudności w wykrywaniu bardzo małych obiektów, zwłaszcza przy dużym stopniu powiększenia obrazu.
  • Wrażliwość na niejednorodne oświetlenie i zmiany perspektywy, co wymaga dodatkowej augmentacji.
  • Model jest mniej elastyczny pod względem liczby klas w porównaniu z niektórymi metodami dwufazowymi (np. Mask RCNN).

Perspektywy rozwoju

Badania nad uczeniem głębokim wciąż dążą do zwiększenia zarówno szybkości, jak i precyzji. W kontekście YOLOv2 najważniejsze kierunki rozwoju obejmują:

  1. Implementację kwantyzacji i przycinania modeli w celu uruchamiania ich na urządzeniach brzegowych (edge computing).
  2. Integrację z technikami uczenia samonadzorowanego w celu redukcji konieczności ręcznej anotacji.
  3. Rozszerzenie o uczenie wielozadaniowe, łączące detekcję z segmentacją i klasyfikacją sceny.

Bibliografia

  1. J. Redmon, A. Farhadi, “YOLO9000: Better, Faster, Stronger”, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017.
  2. J. Redmon, S. Divvala, R. Girshick, A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection”, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016.
  3. P. Dollár, C. L. Zitnick, “Fast R-CNN”, International Journal of Computer Vision, 2015.

YOLOv2 pozostaje kamieniem milowym w historii detekcji obiektów, udowadniając, że prędkość i dokładność mogą iść w parze w praktycznych zastosowaniach sztucznej inteligencji.