YOLOv11 이해하기 (3) - Head

https://sims-solve.tistory.com/131

YOLOv11 이해하기 (2) - Neck

지금까지 backbone, neck 부분을 살펴봤고, 이번에는 마지막으로 Head 부분을 살펴보고자 한다.

yolo의 가장 큰 특징은 3개의 서로다른 size의 shape을 가지는 detection을 이용하여, big , middle, small object의 탐지 성능을 높이려는 시도가 있었다는 점이다.

 

즉, 3개의 Detection에서는 탐지하고자 하는 object의 크기가 서로 다르다고 생각하면 된다.

 

yolov8에서는 80* 80 / 40 *40 / 20*20 크기를 가지고 진행을 했으며, yolov11에서도 크게 다르지 않다.

 

Head 부분을 코드를 따라가면서 shape의 형태를 살펴보고, 내부적으로 변경된것이 있는지 살펴보고자 한다.

Yolov8과 크게 다르지 않으므로 천천히 순서대로 진행하면 큰 문제는 없을 것이다.

위에서 말했듯 3개의 서로다른 Detector를 진행하게 되며, 이때 output shape은 위와 각각 같다.

Detector는 Box, Class Loss를 위해 나눠서 진행하지만, 결국 concat 하여 (144 , x , x ) 형태로 나오게 된다.

(만약, 분류하고자 하는 Class number 수가 다르면 144가 아니다 ) 

여기까지 완전히 yolov8과 동일한 모습을 볼 수 있다.

 

하지만 내부적으로 한가지 변화한 사실을 볼 수 있다.

일반적으로 Conv Block을 사용하지만, yolov11에서는 DWconv라는 것을 사용하는 것을 볼 수 있다.

가장 큰 차이점은 Conv2D의 group 파라미터가 사용됐다는 점이다. 

 

group을 지정하면, 지정한 수 만큼 split을 한다고 생각하면 쉽다.

즉, 일반적인 상황에선 (80,3,3)의  커널을 80개 만들어 진행을 한다. 즉 3*3*80*80의 파라미터가 든다.

하지만 group = 80이라 지정해놓으면, ( 1,3,3)의 커널을 80개 만들어 각각 나뉘서 진행하기 때문에 3*3*1*80의 파라미터가 든다. 결국 경량화의 목적도 있는것으로 보인다.

 

추가적으로 시각적으로 살펴보고자 한다면 아래의 글을 추천한다.

https://actionpower.medium.com/%EC%95%A1%EC%85%98%ED%8C%8C%EC%9B%8C-lab-pytorch-conv2d-parameter-%ED%8C%8C%ED%97%A4%EC%B9%98%EA%B8%B0-fe574d06f711

[액션파워 LAB] pytorch Conv2d parameter 파헤치기

 

이렇게 Yolov11의 Detector 부분도 살펴봤다. Yolov8의 디텍션 부분과 98% 동일하여 둘 중 하나만 명확히 알아도 최신 YOLO의 아키텍쳐는 모두 안다고 볼 수 있겠다.

 

이제 남은건 Loss를 구하는 방법이 남았다. 다음에는 Loss를 구하는 방식에 대해서 살펴보도록 하겠다.