인공지능 모델 파악 및 성능 변화

COCO(Common Objects in Context)

COCO는 객체 검출 모델의 평가를 위해 정확도와 연산속도를 중요하게 다루는 데이터셋입니다.

객체 검출 모델 평가

• 정확도 평가 (Accuracy): 모델이 객체를 탐지하는 능력을 측정하기 위해 Mean Average Precision (MAP)을 사용합니다. 클래스별로 평균 Average Precision (AP)을 계산하고, 이를 평균하여 전체적인 MAP를 구합니다. AP는 Precision-Recall 곡선의 아래 면적을 나타냅니다.

• 연산속도 평가 (Speed): 모델이 얼마나 빠르게 객체를 탐지하는지를 나타내는 지표로, Frames Per Second (FPS)를 사용합니다. 높은 FPS는 실시간 응용에서 모델의 유용성을 높여줍니다.

IoU (Intersection over Union)

IoU는 객체의 위치를 찾는 localization 작업의 정확도를 측정하는데 사용되는 지표입니다. 모델의 예측 박스와 실제 라벨 박스 사이의 IoU 값이 임계값보다 높으면 정답(TP: True Positive)으로 분류되고, 임계값보다 낮으면 오답(FP: False Positive)으로 분류됩니다.

정밀도와 재현율

• 정밀도 (Precision): 모델이 객체가 있다고 예측한 경우 중에서 실제로 객체가 있었는지를 살펴보는 지표로, 모델이 얼마나 정확하게 객체를 탐지하는지를 나타냅니다.

• 재현율 (Recall): 실제 객체가 있는 경우에 모델이 객체가 있다고 얼마나 잘 예측하는지를 나타냅니다. 모델이 얼마나 많은 실제 객체를 빠짐없이 찾아내는지를 나타냅니다.

높은 정확도와 빠른 연산속도를 모두 갖는 객체 검출 모델이 성공적으로 평가됩니다.