- 운전자의 스마트폰 사용을 holding, calling, texting으로 나눠서 탐지하는 모델들을 학습하고 성능 비교
- 사용모델 : yolov5, fasterRCNN, RetinaNet
- 국토교통부의 조사에 따르면 운전자 및 보행자의 안전에 큰 위협이 될 수 있는 운전 중 스마트폰 사용이 42%로 굉장히 높음. 향후 스마트폰 사용을 실시간으로 인지하고, 단계적인 알람을 통해 운전자에게 경고를 주는 기능을 구현한다면 교통 안전성을 높이는데 도움이 될것.
- 데이터 출처 : AI hub, train set : 228개 / test set : 57개
- Ultralytic의 YOLOv5s API를 사용한 Transfer Learning
- Pytorch의 fasterrcnn_resnet50 API를 사용한 Transfer Learning
- Pytorch의 RetinaNet_resnet50_fpn를 사용한 Transfer Learning
- 모델 학습 및 성능 비교 결과, ‘실시간 휴대폰 사용’ 모션에 따른 차등적 경고 프로그램에 적합한 모델로 Yolo v5을 선정하였음.
- 선정한 이유는 다음과 같음.
- mAP로 비교한 정확도에서 다른 모델과 비교했을 때 높은 성능을 보임
- 실시간 처리속도 FPS가 다른 모델보다 뛰어남
- 다른 모델들과 달리 세 모션이 가장 비등하게 탐지되었음
- AIhub에서 수집한 데이터는 특성상 한정적이었음. 특히 테스트 데이터셋이 학습에 사용된 데이터셋과 구조적으로 비슷하여 정확도가 비교적 높았던 점이 아쉬웠음. 조도, 다른 사람, 다른 차(배경) 등 다양한 변수를 고려하여 학습시키면 보다 좋은 성능의 객체 탐지 모델을 기대할 수 있을 듯함.
- ‘실시간 휴대폰 사용 탐지’라는 주제에 맞게 실제 카메라를 사용하여 탐지 시간을 비교해보기.
- 모델의 hyperparmeter의 finetuning을 더 진행해보면서 각 모델별로 최상의 성능을 나타내는 모델끼리 비교한다면 더 정확한 결과를 얻을 수 있을 것.
- yolo의 다른 버전을 사용해서 비교해보기.
- 2023년 1학기 딥러닝 수업 팀프로젝트
- 개발 인원 : 김수인 김리주 지수연 유채란
- 개발 기간 : 2023년 5월~6월
- 기술 스택 : pytorch, python