제한된 데이터셋 조건별 YOLOv8 객체 분할 탐지 성능 비교 = Comparative Analysis of YOLOv8 Object Segmentation Detection Performance under Various Limited Dataset

국문 초록 (Abstract)

최신 딥러닝 기반의 객체 탐지 기술은 놀라운 성능을 보이며, 특히 YOLO (You Only Look Once)아키텍처는 빠르고 정확한 탐지 능력으로 주목받고 있다. 이 아키텍처의 최신 버전인 YOLOv8은 성능과 속도 모두에서 향상을 보였다. 그러나 대부분의 객체 검출 모델은 많은 데이터셋이 필요하며, 실제 환경에서는 금전 및 환경 등의 문제로 큰 데이터셋을 확보하기 어려울 때가 많다. 따라서 본 연구에서는 YOLOv8을 중심으로, 데이터셋의 다양한 구성 방법을 실험하여 객체 분할 탐지 성능의 차이를 비교하여 최적화 방안을 모색하고자 한다. 본 연구는 YOLOv8 아키텍처의 성능을 극대화하는 방법을 탐색하는 것을 주 목적으로 하였다. 이를 위해, 고해상도로 촬영된 딸기 이미지 281개와 해당 이미지의 Instance segmentation 라벨 데이터셋을 사용하였다. 이러한 데이터셋은 다양한 환경 및 조명 조건에서 촬영되었으며, 각 이미지에 대한 정확한 Ground Truth 정보를 라벨 데이터에서 얻을 수 있다. 학습의 효율성과 모델의 일반화 능력을 극대화하기 위해서, 데이터셋의 양과 학습, 검증 데이터의 분할 비율을 조절하며 실험을 진행하였다. 더불어, 기존 YOLO 아키텍처에서 활용하는 mosaic 증강 기법 외에도 여러 다양한 데이터 증강 방법을 적용하여 시험하였다. 성능평가는 주로 IOU(Intersection over Union)를 사용하여 이루어졌다. 예측 결과 중 Confidence 값이 90% 이상인 데이터만을 선별하여, 해당 예측 Mask와 Ground Truth Mask 간의 일치도를 평가하였다. 부족한 데이터셋에서의 딥러닝 모델의 성능 최적화는 중요한 연구 주제 중 하나이다. 본 연구는 제한된 데이터로 YOLOv8 아키텍처의 성능 최적화 방법을 탐색하는 것을 목표로 하였다. 학습의 효율성과 모델의 일반화 능력을 높이기 위한 다양한 실험을 진행하였으며, 이는 최고 수준의 객체 탐지 성능이 필요하지 않고 적당한 수준의 객체 탐지 성능이 필요한 사용자들에게 유용한 참고를 제공할 것으로 기대된다.