Fine-Tuning Without Forgetting: Adaptation of YOLOv8 Preserves COCO Performance
Created by
- Haebom
Category
Empty
저자
Vishal Gandhi, Sagar Gandhi
개요
본 논문은 사전 훈련된 객체 검출기의 다양한 하위 작업에 대한 적응성을 향상시키기 위한 최적의 미세 조정 깊이를 실험적으로 연구합니다. YOLOv8n 모델을 사용하여 세 가지 다른 백본 레이어 동결 수준(22, 15, 10)에서 미세 조정을 수행하고, 맞춤형 과일 검출 데이터셋과 COCO 검증 세트에서 성능을 평가했습니다. 실험 결과, 백본의 더 깊은 레이어까지 미세 조정(레이어 10까지)할 경우 과일 검출 작업에서 상당한 성능 향상(+10% absolute mAP50)을 보였으며, COCO 검증 세트에서는 성능 저하가 거의 없음을 확인했습니다. 이를 통해 미세 조정 깊이를 늘리는 것이 특히 복잡한 도메인이나 특수화된 성능을 극대화해야 할 때 효과적임을 시사합니다.
시사점, 한계점
•
시사점:
◦
사전 훈련된 객체 검출기의 백본을 더 깊게 미세 조정하는 것이 특수화된 과제에 대한 성능을 크게 향상시킬 수 있음을 보여줍니다.
◦
더 깊은 미세 조정은 기존의 일반적인 성능에 대한 손실(catastrophic forgetting) 없이 수행될 수 있음을 제시합니다.
◦
미세 조정 깊이 조절을 통해 특정 작업에 대한 성능을 최적화하는 효과적인 전략임을 제시합니다.
•
한계점:
◦
연구는 특정 과일 검출 데이터셋과 YOLOv8n 모델에 국한되어 일반화 가능성에 대한 추가 연구가 필요합니다.
◦
다른 객체 검출 모델이나 다른 종류의 하위 작업에 대한 연구가 필요합니다.
◦
더욱 다양한 하이퍼파라미터 조정을 통해 최적의 미세 조정 전략을 더욱 세밀하게 연구할 필요가 있습니다.
