4. 안전모 탐지 프로젝트

728x90

 

Ultralytics 설치

 

 

📌 yolov8n.pt로 학습

 

-> 결과가 'safety_n'으로 저장됨

 

 

📌 yolov8s.pt로 학습

 

-> 결과가 'safety_s'로 저장됨 

 

 

📌 yolov8m.pt로 학습



 

-> 결과가 'safety_m'로 저장됨

 

 

 

✔️ mAP(Mean Average Precision)

• 객체 탐지 모델의 성능을 평가하는 대표적인 지표
• 이미지 내에서 객체의 위치를 지정하는 바운딩 박스를 그리는 것이 포함
• IoU(intersection over Union)
  • 모델이 예측한 바운딩 박스와 실제 정답(ground truth) 바운딩 박스 사이의 겹치는 정도를 수치화한 값
  • (예측한 바운딩 박스와 실제 바운딩 박스의 교집합 영역) / (두 바운딩 박스의 합집합 영역)
  • 0에서 1사이의 값으로, 1에 가까울수록 예측과 실제가 잘 맞다는 뜻

✔️ mAP50

• IoU 임계값이 0.5일 때의 Mean Average Precision
• 예측한 바운딩 박스와 실제 바운딩 박스 간의 IoU가 0.5 이상일 때를 성공으로 간주하여 평균 정밀도를 계산 
• IoU 0.5 이상일 때, 예측된 바운딩 박스가 "정확"한 것으로 간주
• 각 클래스(예: 자동차, 버스..)에 대한 AP를 계산하고, 모든 클래스의 평균값을 구하면 mAP50
• 성능을 빠르게 평가할 수 있지만 엄격하지 않기 때문에 모델이 너무 관대하게 평가될 수 있음

✔️ mAP50-95

• IoU 임계값을 0.5에서 0.05단위로 변화시키면서 그때마다 AP를 계산한 뒤, 그 평균을 구하는 방식
• IoU 0.5부터 0.95까지 다양한 IoU 임계값에서 성능을 평가하므로, 더 정확하고 엄격한 성능 평가 지표

 

 

📌 yolov8n.pt

 

클래스별 성능

• helmet: 헬멧에 대한 탐지 성능이 매우 높으며, 대부분의 헬멧을 정확하게 감지함.
• head: 헬멧 없이 드러난 머리도 높은 정확도와 재현율을 보이지만, 헬멧에 비해 낮은 성능을 보임.
• person: 사람에 대한 탐지가 정확도는 높지만, 감지된 객체 수가 적어서 재현율이 0%가 나옴. 즉, person 객체는 실제로 감지된 것이 거의 없음을 의미.

속도

• Inference time: 이미지당 약 4.1ms의 시간이 소요됨.

결론

• 헬멧 감지 성능이 뛰어나고, 머리 감지도 상대적으로 좋은 성능을 보여줌.
• person 클래스의 성능은 매우 낮아, 추가적인 데이터 또는 모델 조정이 필요함.
• mAP50-95 성능이 전체적으로 더 높아지면 모델의 정확도 및 신뢰도가 개선될 것임.

 

📌 yolov8s.pt

 

mAP

• mAP50: 0.601
  • IoU 0.5에서의 평균 정밀도는 60.1%이다. 이전 결과(57.3%)보다 약간 개선된 성능을 보임.
• mAP50-95: 0.389
  • 다양한 IoU 임계값(0.5~0.95)에서 평균 정밀도는 38.9%로, 이전보다 2.7% 향상됨.

속도

• Inference time: 이미지당 약 2.9ms로, 이전(4.1ms)보다 빠른 추론 속도를 보임.

 

 

📌 yolov8m.pt

 

mAP

• mAP50: 0.609
  • IoU 0.5에서의 평균 정밀도는 60.9%로, 이전보다 약간 상승함.
• mAP50-95: 0.398
  • 다양한 IoU 임계값에서 평균 정밀도는 39.8%로, 이전보다 1% 정도 개선됨.

속도

• Inference time: 이미지당 약 3.3ms로, 성능이 더 복잡한 모델로 추론 속도는 조금 감소함.