Порівняльний аналіз моделей YOLOv5 та MobileNetV3 для розпізнавання зображень в реальному часі
Анотація
Актуальність: у сучасних умовах зростаючої потреби у швидкому й точному розпізнаванні об’єктів у реальному часі, особливо для мобільних і вбудованих систем, постає питання вибору оптимальних моделей штучного інтелекту. Порівняння легковагових та високоточних архітектур, таких як YOLOv5 і MobileNetV3, є важливим для розробки ефективних комп’ютерних зорових систем та дослідження принципів побудови гібридних моделей.
Мета: порівняння архітектур YOLOv5 і MobileNetV3 з метою аналізу ефективності для застосування у задачах розпізнавання об’єктів у реальному часі, та підтвердження, що гібридні моделі можуть підвищити ефективність виконання цих задач.
Методи дослідження: методи препроцесінгу зображень, методи навчання глибоких нейронних мереж, вимірювання точності, швидкості обробки та використання ресурсів; порівняльний аналіз результатів для оцінки ефективності моделей.
Результати: експериментальне дослідження показало, що YOLOv5 демонструє кращу загальну точність на тестовому наборі COCO, проте вимагає більше обчислювальних ресурсів. MobileNetV3, натомість, забезпечує пришвидшене виведення та ефективне функціонування на пристроях із низькою потужністю, жертвуючи частково точністю. Таким чином, обидві моделі підтвердили свою придатність для реальних застосувань, а вибір між ними залежить від конкретного балансу між швидкістю, точністю та обмеженнями платформи. Поєднання цих моделей дає кращі результати в розпізнаванні об'єктів, хоча це може збільшити розмір самої моделі та споживання ресурсів.
Висновки: у результаті дослідження проведено порівняння моделей YOLOv5, MobileNetV3 та гібридної моделі для задачі розпізнавання об’єктів. Гібридна модель продемонструвала кращу точність та баланс між швидкістю обробки і використанням ресурсів порівняно з окремими моделями. Це свідчить про доцільність використання гібридних підходів для підвищення ефективності систем комп’ютерного зору в реальних умовах. Отже, гібридна модель є перспективним напрямком для подальших досліджень і практичної реалізації.
Завантаження
Посилання
/Посилання
Younesi, A., Ansari, M., Fazli, M., Ejlali, A., Shafique, M., & Henkel, J. (2024). A comprehensive survey of convolutions in deep learning: Applications, challenges, and future trends. IEEE Access, 12, 41180-41218.
Tu, C. H., Lee, J. H., Chan, Y. M., & Chen, C. S. (2020, July). Pruning depthwise separable convolutions for mobilenet compression. In 2020 international joint conference on neural networks (IJCNN) (pp. 1-8). IEEE.
Zhang, W., Huang, Z., Luo, G., Chen, T., Wang, X., Liu, W., ... & Shen, C. (2022). Topformer: Token pyramid transformer for mobile semantic segmentation. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 12083-12093).
YOLO Object Detection Explained: Evolution, Algorithm, and Applications. URL: https://encord.com/blog/yolo-object-detection-guide/ (date of last access: 22.03.2025).
Keras(TF backend) implementation of YoloV3 objects detection. URL: https://github.com/xiaochus/YOLOv3/tree/master (date of last access: 22.03.2025). [in Ukrainian]
YOLOv4: High-Speed and Precise Object Detection. URL: https://docs.ultralytics.com/models/yolov4/ (date of last access: 22.03.2025).
YOLOv5 Official Repository. URL: https://github.com/ultralytics/yolov5 (date of last access: 22.03.2025). [in Ukrainian]
A dive into YOLO object detection. URL: https://www.picsellia.com/post/a-dive-into-yolo-object-detection (date of last access: 22.03.2025).
Howard, A., Sandler, M., Chu, G., Chen, L. C., Chen, B., Tan, M., ... & Adam, H. (2019). Searching for mobilenetv3. In Proceedings of the IEEE/CVF international conference on computer vision (pp. 1314-1324).
Channel Attention and Squeeze-and-Excitation Networks (SENet). URL: https://www.digitalocean.com/community/tutorials/channel-attention-squeeze-and-excitation-networks (date of last access: 22.03.2025).
Function Hardswish. URL: https://www.paddlepaddle.org.cn/documentation/docs/en/api/paddle/nn/functional/hardswish_en.html (date of last access: 22.03.2025). [in Ukrainian]
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
MobileNet V3. URL: https://mmclassification.readthedocs.io/en/dev-1.x/papers/mobilenet_v3.html (date of last access: 22.03.2025).
COCO, large-scale object detection, segmentation, and captioning dataset. URL: https://cocodataset.org/#overview (date of last access: 22.03.2025).
Everingham, M., Van Gool, L., Williams, C. K., Winn, J., & Zisserman, A. (2010). The pascal visual object classes (voc) challenge. International journal of computer vision, 88, 303-338.
YouTube-Bounding Boxes Dataset:. URL: https://research.google.com/youtube-bb/ (date of last access: 22.03.2025).
BDD100K: A Large-scale Diverse Driving Video Database. URL: https://bair.berkeley.edu/blog/2018/05/30/bdd/ (date of last access: 22.03.2025).
Agga, A., Abbou, A., Labbadi, M., El Houm, Y., & Ali, I. H. O. (2022). CNN-LSTM: An efficient hybrid deep learning architecture for predicting short-term photovoltaic power production. Electric Power Systems Research, 208, 107908.
Dai, Y., Gieseke, F., Oehmcke, S., Wu, Y., & Barnard, K. (2021). Attentional feature fusion. In Proceedings of the IEEE/CVF winter conference on applications of computer vision (pp. 3560-3569).
Dhruv, P., & Naskar, S. (2020). Image classification using convolutional neural network (CNN) and recurrent neural network (RNN): A review. Machine learning and information processing: proceedings of ICMLIP 2019, 367-381.
Younesi, A., Ansari, M., Fazli, M., Ejlali, A., Shafique, M., & Henkel, J. (2024). A comprehensive survey of convolutions in deep learning: Applications, challenges, and future trends. IEEE Access, 12, 41180-41218.
Tu, C. H., Lee, J. H., Chan, Y. M., & Chen, C. S. (2020, July). Pruning depthwise separable convolutions for mobilenet compression. In 2020 international joint conference on neural networks (IJCNN) (pp. 1-8). IEEE.
Zhang, W., Huang, Z., Luo, G., Chen, T., Wang, X., Liu, W., ... & Shen, C. (2022). Topformer: Token pyramid transformer for mobile semantic segmentation. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 12083-12093).
YOLO Object Detection Explained: Evolution, Algorithm, and Applications. URL: https://encord.com/blog/yolo-object-detection-guide/ (дата звернення: 22.03.2025).
Реалізація Keras (TF backend) виявлення об'єктів, YoloV3. URL: https://github.com/xiaochus/YOLOv3/tree/master (дата звернення: 22.03.2025).
YOLOv4: Високошвидкісне та точне виявлення об'єктів. URL: https://docs.ultralytics.com/models/yolov4/ (дата звернення: 22.03.2025).
Офіційний репозиторій YOLOv5. URL: https://github.com/ultralytics/yolov5 (дата звернення: 22.03.2025).
Занурення в виявлення об'єктів, YOLO. URL: https://www.picsellia.com/post/a-dive-into-yolo-object-detection (дата звернення: 22.03.2025).
Howard, A., Sandler, M., Chu, G., Chen, L. C., Chen, B., Tan, M., ... & Adam, H. (2019). Searching for mobilenetv3. In Proceedings of the IEEE/CVF international conference on computer vision (pp. 1314-1324).
Channel Attention and Squeeze-and-Excitation Networks (SENet). URL: https://www.digitalocean.com/community/tutorials/channel-attention-squeeze-and-excitation-networks (дата звернення: 22.03.2025).
Функція Hardswish. URL: https://www.paddlepaddle.org.cn/documentation/docs/en/api/paddle/nn/functional/hardswish_en.html (дата звернення: 22.03.2025).
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
MobileNet V3. URL: https://mmclassification.readthedocs.io/en/dev-1.x/papers/mobilenet_v3.html (дата звернення: 22.03.2025).
COCO, Набір даних для виявлення, сегментації та субтитрування великомасштабних об'єктів. URL: https://cocodataset.org/#overview (дата звернення: 22.03.2025).
Everingham, M., Van Gool, L., Williams, C. K., Winn, J., & Zisserman, A. (2010). The pascal visual object classes (voc) challenge. International journal of computer vision, 88, 303-338.
YouTube-Bounding Boxes Dataset. URL: https://research.google.com/youtube-bb/ (дата звернення: 22.03.2025).
BDD100K: A Large-scale Diverse Driving Video Database. URL: https://bair.berkeley.edu/blog/2018/05/30/bdd/ (дата звернення: 22.03.2025).
Agga, A., Abbou, A., Labbadi, M., El Houm, Y., & Ali, I. H. O. (2022). CNN-LSTM: An efficient hybrid deep learning architecture for predicting short-term photovoltaic power production. Electric Power Systems Research, 208, 107908.
Dai, Y., Gieseke, F., Oehmcke, S., Wu, Y., & Barnard, K. (2021). Attentional feature fusion. In Proceedings of the IEEE/CVF winter conference on applications of computer vision (pp. 3560-3569).
Dhruv, P., & Naskar, S. (2020). Image classification using convolutional neural network (CNN) and recurrent neural network (RNN): A review. Machine learning and information processing: proceedings of ICMLIP 2019, 367-381.
