1. 하이퍼 파라미터

hyperparameters

• 욜로에서 적용이 가능한 하이퍼 파라미터에 대해 설명합니다.
• 하이퍼 파라미터를 자동으로 설정해주는 Evolve에 대해서도 설명합니다.
• 하이퍼 파라미터를 변경했을 때의 성능을 비교합니다.

2. 네트워크 조절

• 기존에 기업에서 사용하는 모델은 전부 기본 n,s,m,l,x 모델이었습니다. 하지만 6.1v의 등장으로 pt파일에도 성능향상이 있었습니다.
• 위의 사전 학습된 모델들의 성능을 수치적, 그래프적으로 봐도 성능차이가 확실한 것을 볼 수 있습니다.

<aside> 💡 그리고 YOLOV5의 개발자들이 말했지만, YOLOv5에 나오는 모든 모델들은 COCO데이터셋의 가장 기본 데이터셋을 사용하는데 이는 사람 사물등 다양한 80가지의 객체가 있기 때문에, 성능이 떨어질 수 있습니다. 따라서, 만약 성능을 더 최적화해서 키우고 싶다면, YOLOV5의 pt파일 자체를 훈련하는 것도 방법일 수 있을 것 같습니다. 다만 성능의 향상을 확신할 수는 없을 것 같습니다.

</aside>

3. Knowledge Distillation

학습 ⇒ 추론 ⇒ 추론한 결과를 통해 자동 라벨링 생성 ⇒ 생성한 라벨링에 Noisy 첨가 + 기존의 데이터 훈련 ⇒ Confidence 값이 낮은 분류를 제외하고 지속적으로 훈련진행 ⇒ 무한 반복