AI 용어집
인공지능 완전 사전
CSPDarknet53
Backbone optimisé de YOLOv5 utilisant la technique Cross Stage Partial Network pour réduire la charge computationnelle tout en préservant la précision de l'extraction de features.
Focus Layer
Couche d'entrée spécifique à YOLOv5 qui applique un réarrangement spatial et une concaténation pour augmenter la résolution spatiale tout en réduisant les canaux, améliorant la vitesse sans perte d'information.
SPP Module
Spatial Pyramid Pooling intégré dans YOLOv5 pour extraire des features à différentes échelles spatiales sans nécessiter des entrées de taille fixe, améliorant la robustesse du modèle.
Mosaic Data Augmentation
Technique d'augmentation de données exclusive à YOLO qui combine 4 images en une seule, forçant le modèle à apprendre à détecter des objets dans des contextes variés et partiellement visibles.
YOLOv5s/m/l/x
Variantes de taille du modèle YOLOv5 offrant différents compromis entre vitesse et précision : small (s), medium (m), large (l), et extra-large (x).
IoU Loss
Fonction de perte utilisée dans YOLOv5 mesurant la superposition entre les bounding boxes prédites et les vérités terrain, optimisant directement le métrique d'évaluation IoU.
YOLOv5u
Variante ultralytics de YOLOv5 introduisant l'anchor-free approach et des améliorations de convergence, remplaçant les anchor boxes par une prédiction directe des dimensions des objets.
TAL (Task-Aligned Learning)
Approche d'apprentissage dans les variantes modernes de YOLO alignant la classification et la localisation des objets pour améliorer simultanément ces deux tâches fondamentales.
YOLOX
Évolution de YOLO introduisant une architecture anchor-free, un apprentissage decoupled et une amélioration des data augmentations, surpassant YOLOv5 sur plusieurs benchmarks.
YOLOv7
Version avancée de YOLO introduisant des méthodes de re-parameterisation, de scaling des modèles et des architectures compound scalable pour atteindre des performances state-of-the-art.
AP50:95
Métrique d'évaluation standard dans YOLO mesurant la précision moyenne sur tous les seuils IoU de 0.5 à 0.95, représentant la performance globale du modèle.
CSPNet
Cross Stage Partial Network technique réduisant le gradient duplicate information dans les réseaux profonds, optimisant l'équilibre entre accuracy et speed dans YOLOv5.
ELAN
Efficient Layer Aggregation Network introduit dans YOLOv7, contrôlant les chemins du gradient les plus courts et les plus longs pour améliorer la convergence et l'efficacité computationnelle.
RepConv
Convolutional layer re-parameterization permettant de transformer des branches multiples en une seule convolution lors de l'inférence, améliorant la vitesse sans compromettre la performance.