YOLOv4 Custom Data Detection & Deep Sort Tracking

분홍색 옷을 입은 어머니를 찾아라!

YOLOv4 Object Detection

• 동일 Market의 1~4번의 cctv영상 image와 특정인물의 좌표(json)를 학습하여 5번 cctv영상의 image로 test 진행
• Train Data(49개), Test Data(5개)

YOLOv4 Detection 모델에 Iteration 1000회 학습시킨 weight

• detections_count = 78, unique_truth_count = 5
• class_id = 0, name = pedestrian, Map = 65.00%
• for conf_thresh = 0.25, precision = 0.60, recall = 0.60, F1-score = 0.60
• for conf_thresh = 0.25, TP = 3, FP = 2, FN = 2, average IoU = 45.95 %

	True Positive	True Negative
Predictive Positive	3	2
Predictive Negative	2	0

---

Measure	Value	Derivations
Sensitivity	0.6000	TPR = TP / (TP + FN)
Precision	0.6000	PPV = TP / (TP + FP)
False Discovery Rate	0.4000	FDR = FP / (FP + TP)
False Negative Rate	0.4000	FNR = FN / (FN + TP)
Accuracy	0.4286	ACC = (TP + TN) / (P + N)
F1 Score	0.6000	F1 = 2TP / (2TP + FP + FN)

YOLOv4 Detection 모델에 Iteration 3000회 학습시킨 weight

• detections_count = 8, unique_truth_count = 5

• class_id = 0, name = pedestrian, Map = 76.00%

• for conf_thresh = 0.25, precision = 1.00, recall = 0.60, F1-score = 0.75

• for conf_thresh = 0.25, TP = 3, FP = 0, FN = 2, average IoU = 90.30 %

	True Positive	True Negative
Predictive Positive	3	0
Predictive Negative	2	0

---

Measure	Value	Derivations
Sensitivity	0.6000	TPR = TP / (TP + FN)
Precision	1.0000	PPV = TP / (TP + FP)
False Discovery Rate	0.0000	FDR = FP / (FP + TP)
False Negative Rate	0.4000	FNR = FN / (FN + TP)
Accuracy	0.6000	ACC = (TP + TN) / (P + N)
F1 Score	0.7500	F1 = 2TP / (2TP + FP + FN)

Detection 결과 요약

Iteration 수가 늘어날수록 FP가 줄어들고 IoU가 높아지는 것을 확인할 수 있다. 즉, 다른 인물을 보고 detect했다고 predict하는 경우가 줄고, 타겟 인물을 예측했을때 예측한 범위가 라벨링된 박스의 범위와 이전보다 2배 가까이 더 겹친다.

YOLOv4 Detection 모델에 학습시킨 weight 파일을 사용하여 Deepsort 알고리즘 적용

• Deepsort : 검출된 객체를 기반으로 Tracking 시 기존 Tracking 알고리즘과 딥러닝 기반 알고리즘을 함께 사용
• 학습된 Weight 파일로 학습되지 않은 동영상에 Tracking 적용

영상 참조