{"notes":[{"id":"object-detection/yolo-tiny","category":"object-detection","legacyPath":"object-detection/2412-yolo-tiny","legacySlug":"2412-yolo-tiny","legacyPaths":[],"title":"YOLO-Tiny","subtitle":"私は小さな鳥","author":"Z. Yuan","paperDate":"2025","publishedOn":"2025-06-20","paperTitle":"YOLO-Tiny: A lightweight small object detection algorithm for UAV aerial imagery","paperUrl":"https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/ipr2.13314","bibliography":{"title":"YOLO-Tiny: A lightweight small object detection algorithm for UAV aerial imagery","authors":["Fei Feng","Lu Yang","Quanxing Zhou","Weipeng Li"],"url":"https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/ipr2.13314","pdfUrl":"https://ietresearch.onlinelibrary.wiley.com/doi/pdfdirect/10.1049/ipr2.13314","codeUrl":null,"preprint":null,"publication":{"venue":"IET Image Processing","year":2025,"kind":"journal","url":"https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/ipr2.13314"},"citation":"@article{objectdetectionyolotiny2025,\n  title = {{YOLO-Tiny: A lightweight small object detection algorithm for UAV aerial imagery}},\n  author = {Fei Feng and Lu Yang and Quanxing Zhou and Weipeng Li},\n  year = {2025},\n  journal = {IET Image Processing},\n  url = {https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/ipr2.13314}\n}\n","citationPath":"/content/papers/citations/object-detection/yolo-tiny.526134c54500.bib"},"thumbnail":{"src":"/content/papers/assets/1094ebd50f340f6602b1a95680588cf90d248d403f3f4999b4367914bad9c7a9.jpg","width":1224,"height":456},"locale":"ja","path":"/content/papers/ja/object-detection/yolo-tiny.f269eecbd768.md","headings":[{"id":"問題の定義","text":"問題の定義","depth":2},{"id":"問題の解決","text":"問題の解決","depth":2},{"id":"yolov5-の振り返り","text":"YOLOv5 の振り返り","depth":3},{"id":"モジュールの軽量化","text":"モジュールの軽量化","depth":3},{"id":"マルチスケール自適応融合","text":"マルチスケール自適応融合","depth":3},{"id":"実験設計","text":"実験設計","depth":3},{"id":"討論","text":"討論","depth":2},{"id":"ネットワーク構造調整比較実験","text":"ネットワーク構造調整比較実験","depth":3},{"id":"消融実験","text":"消融実験","depth":3},{"id":"他-yolo-モデルとの比較","text":"他 YOLO モデルとの比較","depth":3},{"id":"可視化デモ","text":"可視化デモ","depth":3},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"object-detection/yolov10","relation":"comparison","topic":"リアルタイム検出の近年の設計"},{"id":"object-detection/yolov11","relation":"comparison","topic":"リアルタイム検出の近年の設計"}]},{"id":"object-detection/yolov10","category":"object-detection","legacyPath":"object-detection/2405-yolov10","legacySlug":"2405-yolov10","legacyPaths":[],"title":"YOLOv10","subtitle":"NMS、さようなら","author":"Z. Yuan","paperDate":"2024-05-23","publishedOn":"2025-07-19","paperTitle":"YOLOv10: Real-Time End-to-End Object Detection","paperUrl":"https://proceedings.neurips.cc/paper_files/paper/2024/hash/c34ddd05eb089991f06f3c5dc36836e0-Abstract-Conference.html","bibliography":{"title":"YOLOv10: Real-Time End-to-End Object Detection","authors":["Ao Wang","Hui Chen","Lihao Liu","Kai Chen","Zijia Lin","Jungong Han","Guiguang Ding"],"url":"https://proceedings.neurips.cc/paper_files/paper/2024/hash/c34ddd05eb089991f06f3c5dc36836e0-Abstract-Conference.html","pdfUrl":"https://proceedings.neurips.cc/paper_files/paper/2024/file/c34ddd05eb089991f06f3c5dc36836e0-Paper-Conference.pdf","codeUrl":"https://github.com/THU-MIG/yolov10","preprint":{"id":"2405.14458","submittedOn":"2024-05-23","url":"https://arxiv.org/abs/2405.14458"},"publication":{"venue":"NeurIPS","year":2024,"kind":"conference","url":"https://proceedings.neurips.cc/paper_files/paper/2024/hash/c34ddd05eb089991f06f3c5dc36836e0-Abstract-Conference.html"},"citation":"@misc{objectdetectionyolov102024,\n  title = {{YOLOv10: Real-Time End-to-End Object Detection}},\n  author = {Ao Wang and Hui Chen and Lihao Liu and Kai Chen and Zijia Lin and Jungong Han and Guiguang Ding},\n  year = {2024},\n  eprint = {2405.14458},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2405.14458}\n}\n","citationPath":"/content/papers/citations/object-detection/yolov10.f624ec9e20b6.bib"},"thumbnail":{"src":"/content/papers/assets/43843817d1e6667933eb36b7b588db3ca318fe74e00d2d47095426923f3a5b44.jpg","width":1614,"height":536},"locale":"ja","path":"/content/papers/ja/object-detection/yolov10.1a0519be94bb.md","headings":[{"id":"問題の定義","text":"問題の定義","depth":2},{"id":"解決策","text":"解決策","depth":2},{"id":"二重アノテーション構造","text":"二重アノテーション構造","depth":3},{"id":"効率と精度の最適化","text":"効率と精度の最適化","depth":3},{"id":"精度志向の強化","text":"精度志向の強化","depth":3},{"id":"実装の詳細","text":"実装の詳細","depth":3},{"id":"実験結果と考察","text":"実験結果と考察","depth":2},{"id":"sota-手法との比較","text":"SOTA 手法との比較","depth":3},{"id":"アブレーション実験","text":"アブレーション実験","depth":3},{"id":"nms-free-は本当に伝統手法を完全に置き換えられるか","text":"NMS-free は本当に伝統手法を完全に置き換えられるか？","depth":3},{"id":"なぜ軽量化しても性能は落ちないのか","text":"なぜ軽量化しても性能は落ちないのか？","depth":3},{"id":"精度向上しながら遅延はほぼ不変","text":"精度向上しながら遅延はほぼ不変？","depth":3},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{"議論":"実験結果と考察"},"guide":null,"relatedReading":[{"id":"object-detection/yolov11","relation":"comparison","topic":"リアルタイム検出の近年の設計"},{"id":"object-detection/yolo-tiny","relation":"comparison","topic":"リアルタイム検出の近年の設計"}]},{"id":"object-detection/yolov11","category":"object-detection","legacyPath":"object-detection/2410-yolov11","legacySlug":"2410-yolov11","legacyPaths":[],"title":"YOLOv11","subtitle":"エンジニアリング最適化版","author":"Z. Yuan","paperDate":"2024-10-23","publishedOn":"2025-08-25","paperTitle":"YOLOv11: An Overview of the Key Architectural Enhancements","paperUrl":"https://arxiv.org/abs/2410.17725","bibliography":{"title":"YOLOv11: An Overview of the Key Architectural Enhancements","authors":["Rahima Khanam","Muhammad Hussain"],"url":"https://arxiv.org/abs/2410.17725","pdfUrl":"https://arxiv.org/pdf/2410.17725","codeUrl":null,"preprint":{"id":"2410.17725","submittedOn":"2024-10-23","url":"https://arxiv.org/abs/2410.17725"},"publication":null,"citation":"@misc{objectdetectionyolov112024,\n  title = {{YOLOv11: An Overview of the Key Architectural Enhancements}},\n  author = {Rahima Khanam and Muhammad Hussain},\n  year = {2024},\n  eprint = {2410.17725},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/2410.17725}\n}\n","citationPath":"/content/papers/citations/object-detection/yolov11.86c0b646ca66.bib"},"thumbnail":{"src":"/content/papers/assets/827cb0ee834fbc08f98f948852bd7d5bb1c53ecdc2339cb09f694a143cb5bfc2.jpg","width":1224,"height":536},"locale":"ja","path":"/content/papers/ja/object-detection/yolov11.ef4584847fc9.md","headings":[{"id":"問題の定義","text":"問題の定義","depth":2},{"id":"問題の解決","text":"問題の解決","depth":2},{"id":"backbone小規模な置き換え","text":"Backbone：小規模な置き換え","depth":3},{"id":"c2f","text":"C2f","depth":4},{"id":"c3k2","text":"C3k2","depth":4},{"id":"c2psa","text":"C2‑PSA","depth":4},{"id":"psapositionsensitive-attention","text":"PSA（Position‑Sensitive Attention）","depth":4},{"id":"convattentionpsa-內部-mhsa-細節","text":"ConvAttention（PSA 內部 MHSA 細節）","depth":4},{"id":"neck特徴融合の小さな修正","text":"Neck：特徴融合の小さな修正","depth":3},{"id":"head出力層の拡張","text":"Head：出力層の拡張","depth":3},{"id":"マルチタスクの統合","text":"マルチタスクの統合","depth":3},{"id":"議論","text":"議論","depth":2},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"object-detection/yolov10","relation":"comparison","topic":"リアルタイム検出の近年の設計"},{"id":"object-detection/yolo-tiny","relation":"comparison","topic":"リアルタイム検出の近年の設計"}]}],"text":"ドローンは、気づかないうちに私たちの暮らしのあちこちへ入り込んできました。\n\nでも、物体検出アルゴリズムにとっては、この機械が持ち込んだ問題がなかなか厄介です。\n\n## 問題の定義\n\nドローンは日常のあらゆる隙間に浸透し、空撮点検から災害検知まで、その膨大な映像データは物体検出アルゴリズムに新たな挑戦を突きつけています。\n\nモデルにとって、ドローンが撮影する「空の視点」は過酷な条件に満ちています。画面内の対象物は極めて小さく、サイズも不均一で、背景の干渉や部分的な遮蔽も頻繁に発生し、有効な特徴の認識領域をさらに圧縮しています。同時に、実際の運用環境はしばしば極端なリソース制限を伴い、高性能モデルは正確でも実用が困難です。\n\n現在主流の物体検出手法は性能的に成熟しつつあります。特に YOLO シリーズに代表される単段階検出アルゴリズムはその速度優位性からリアルタイム応用の第一選択肢ですが、元の構造は高高度撮影と小物体検出という二重の要請に直接対応するには難があります。\n\nこれまでの改良では、畳み込みモジュールの変更、ピラミッド構造の追加、注意機構の導入や層間融合の実施によって小物体認識の向上を目指すものや、データ拡張、候補枠の初期設定、スケール調整などの学習プロセスに着目するものがありました。\n\nしかし、多くの手法は根本的な課題を解決できていません。限られた計算資源しかない端末上で、画面内のごく小さな対象をリアルタイムに、しかも高精度かつ安定して検出するには、「モデルを軽くする」だけではまったく足りないのです。\n\n本論文はまさにこの問題を出発点とし、YOLOv5s をベースに、UAV 空撮タスク向けに設計された軽量小物体検出アーキテクチャを提案しています。\n\n## 問題の解決\n\n### YOLOv5 の振り返り\n\n![model_arch](/content/papers/assets/9c76cc0c7e5b1f931556a72f4bc25369874752578be27173315ea38caa35a24a.jpg)\n\nYOLOv5 のバックボーンでは、640×640 の入力画像を段階的にダウンサンプリングして、P1 から P5 まで順に 320×320、160×160、80×80、40×40、20×20 の特徴マップを生成します。検出ヘッドが使うのは、このうち P3 から P5 です。\n\n標準の YOLOv5 検出構造は P3（80×80）から P5（20×20）までのマルチスケール融合を行い、主に 8×8 ピクセル以上の物体を対象としています。\n\nしかし、ドローンの用途においては、このサイズの閾値は明らかに高すぎます。\n\nVisDrone2019 データセットの統計図は重要な観察を示しています：\n\n\n\n![VisDrone2019](/content/papers/assets/2947408b1a5c0c3884246093f8151facaf37e50c00d4b41bdc2a292c4fb0e837.jpg)\n\n\n\n- 図(a)は対象数の深刻な不均衡を示し、\n- 図(b)は重なったアノテーション枠の多くが小さく、\n- 図(c)は枠の中心が画像の中ほどから下側に密集し、\n- 図(d)は枠の幅と高さの組み合わせが小さい範囲に集中していることを示します。\n\n言い換えれば、これは「**極度に小物体寄りの空撮タスク**」であり、YOLOv5 の現行設計はこの条件下で構造的な偏りを持っています。予測層は主に P3 から P5 に集中しており、まさに極小ターゲットに対して最も不向きな位置にあります。\n\n過去の研究では、YOLOv5 に P2 検出ヘッド（160×160 の特徴マップ）を追加してより細かな信号を捉えようとしたものがあります。検出性能は向上したものの、パラメータ数と計算量も同時に増大し、リソース制約のある端末には負担が大きすぎました。\n\n別の研究者は別の道を選び、P5 層を削除して中小物体への注力に戻しました。しかしこの簡略化戦略では精度向上は限定的で、ボトルネックを真に突破できませんでした。\n\n本論文の著者はこの構造調整の流れを継続し、さらに**P4 層を削除**して、元々の三重検出構造を P2 と P3 の二層構造に圧縮し、より初期かつ高解像度の特徴マップに集中しています。\n\nしかしこれには別のリスクも伴います：\n\n> **論文の Table 2 では、P4 と P5 が、表に挙げた YOLOv5s バックボーンの P1～P5 各層のパラメータの 92.1% を占めています。**\n\nこの 2 層をそのまま除けばパラメータが大幅に減り、検出能力も落ちるおそれがあります。ただし、この 92.1% をモデル全体の削減率と読み替えてはいけません。\n\nこの「過度な軽量化」の問題を回避するため、著者は次の交換戦略を採用しました：\n\n- **P2 と P3 を保持しつつ、モデルの深さと幅を適度に増やす**\n\nこれにより特徴抽出と融合の能力を一定水準に維持します。\n\n実際のトレードオフの結果として、著者は**depth=0.67、width=0.75**の構成を選択し、パラメータ数と計算コストのバランスを取っています。この選択はモデルの表現力を十分に保ちつつ、GFLOPs をリソース制限内に抑え、後続のモジュール軽量化の土台を築いています。\n\n### モジュールの軽量化\n\nモデル設計において、パラメータ数、計算コスト（GFLOPs）、および表現能力の三者には明確なトレードオフが存在し、このトレードオフは特にドローンのようなエッジデバイスで顕著です。強い表現力を求めつつ、パラメータは増やせません。\n\n前述の構造調整と幅・深さの変更を合わせた構成では、パラメータ数が元の 7.0M から約 1.3M に減りました。この減少を P4 と P5 の除去だけに帰することはできません。\n\nこの損失を補うために、深さと幅を適度に増やして表現力を取り戻しました。ただし Table 3 では、GFLOPs が基準の **16.0 から 24.5 へと約 53.1% 増加**しています。さらに深さと幅をともに 1.00 まで拡張した構成は 53.4 GFLOPs となり、計算コストが一層高くなります。\n\nこの矛盾を解決するために、著者は高効率なアーキテクチャユニットである\n\n- **動的畳み込み（Dynamic Convolution）**\n\nを導入しました。\n\nYOLOv5 で最もコアな特徴抽出モジュールの一つである C3 構造は、多数の残差パスと畳み込みの積み重ねから成ります。\n\n著者はこれを全面的に新設計の**LW_C3**に置き換え、主な変更点は以下の通りです：\n\n- **LW_C3**：すべての残差ブランチ内の**3×3 通常畳み込み**を**3×3 動的畳み込み**に置換し、構造の深さは維持しつつ静的計算負荷を削減。\n\n\n\n    ![LW_C3](/content/papers/assets/1094ebd50f340f6602b1a95680588cf90d248d403f3f4999b4367914bad9c7a9.jpg)\n\n\n\n- **LW_Downsample**：融合ブランチの後に、stride=2 の 3×3 動的畳み込みを置いてダウンサンプリングします。図の前段には CBS モジュールも残っています。\n\n\n\n    ![LW_Downsample](/content/papers/assets/aa4420ab01f96e700db98f3c93966e7a0a451a8157d647586887d648514ef03c.jpg)\n\n\n\n動的畳み込みの核心は動的パーセプトロン（Dynamic Perceptron）に似ており、\n\n> **各入力$x$に基づき、一組の基底関数から最適な重みの組み合わせを動的に選択する。**\n\n以下のイメージ図の通りです：\n\n\n\n![dynamic convolution](/content/papers/assets/bf70d5de96c96a6473b5da22e72b4d03ada0264e5b2d745194f1ed82b878b9a0.jpg)\n\n\n\n数式で表すと：\n\n$$\ny = g(\\tilde{W}(x)^T x + \\tilde{b}(x))\n$$\n\nここで\n\n$$\n\\tilde{W}(x) = \\sum_{k=1}^K \\pi_k(x) \\tilde{W}_k,\\quad\n\\tilde{b}(x) = \\sum_{k=1}^K \\pi_k(x) \\tilde{b}_k\n$$\n\nかつ\n\n$$\n0 \\leq \\pi_k(x) \\leq 1,\\quad \\sum_k \\pi_k(x) = 1\n$$\n\nこの$\\pi_k(x)$が各入力が第$k$番目の畳み込み核に対する**注意重み**を意味します。\n\n本質的に学習するのは一組の重みではなく、「選択」する仕組みであり、モデルは入力内容に応じてどの特徴抽出戦略に重きを置くかを自己決定します。\n\nこの選択機構の実装には一般的な SE（Squeeze-and-Excitation）技術を用い、手順は以下の通りです：\n\n1. **Global Average Pooling** で空間情報を圧縮\n2. 全結合層と Sigmoid を経て、$K$ 個の畳み込み核に対する重みを生成。論文の式 (3) は重みの和を 1 としていますが、図 7 に描かれた Sigmoid だけでは、その条件をどう満たすかまでは分かりません\n3. その重みを $K$ 組の畳み込み核に適用して、核を入力に応じて集約\n\n入力チャネル数 $C_{\\mathrm{in}}$、出力チャネル数 $C_{\\mathrm{out}}$、核サイズ $D_k \\times D_k$、核の個数 $K$ とすると、論文が示す**畳み込み核の重みを集約する計算量**は：\n\n$$\nO_{\\mathrm{aggregation}} = K C_{\\mathrm{in}} C_{\\mathrm{out}} D_k^2 + K C_{\\mathrm{out}}\n$$\n\n標準畳み込みの\n\n$$\nO_{\\mathrm{static}} = H W C_{\\mathrm{in}} C_{\\mathrm{out}} D_k^2\n$$\n\nです。前者は核の集約、後者は $H \\times W$ の特徴マップに対する通常の畳み込みの計算量であり、そのまま差し引いて動的畳み込み層全体の節約量とはできません。動的畳み込みでも、集約後の核を使って各空間位置を畳み込みます。\n\n動的畳み込み導入により、パラメータ増加を許容しつつ、GFLOPs コストを局所的に制御可能となりました。\n\nこの設計では、畳み込み核の重みが**入力に応じて変わります**。図 7 の重み生成ブランチは全域プーリングを使うため、同じ特徴マップ上の各位置には集約後の同じ核が適用されます。\n\n### マルチスケール自適応融合\n\n物体検出において、**マルチスケール特徴融合**はモデルの識別力向上に不可欠な操作です。浅層ネットワークはテクスチャや位置情報を保持し、深層ネットワークは意味的抽象化と対象判別を担います。\n\n理論的には、この両者を融合することで「よく見えて」「理解できる」ことを両立できます。しかし尺度の違いによる意味的断絶があり、単純な連結や加重では真の「統合」にはならず、「積み重ね」に留まってしまいます。\n\nこれに対し、著者が提案する **AMSFF（Adaptive Multi-Scale Spatial Feature Fusion）モジュール** は、この融合失敗問題を解決するために設計されました。\n\n下図の構造を参照してください：\n\n\n\n![asmff](/content/papers/assets/a235cb3847dc63e6baad22781f2515f503b4343d383c853fac2ffe89dba11d75.jpg)\n\n\n\nAMSFF の動作ロジックは、neck 部の浅層 **L2** と深層 **L3** の特徴を例にすると以下の通りです：\n\n1. **尺度合わせ**：L2 特徴をダウンサンプリングし、L3 と空間解像度を揃える。\n\n2. **チャネル調整**：1×1 畳み込みで L2 のチャネル数を L3 に合わせ、要素ごとの演算が可能に。\n\n3. **初期融合**：調整済み L2 と L3 を連結（concat）し、基礎融合テンソルを形成。\n\n4. **重み学習**：1×1 畳み込みから、空間位置に応じた重み $\\alpha_{i,j}$ と $\\beta_{i,j}$ を算出します。Softmax により両者の和を 1 にし、それぞれを $[0,1]$ の範囲に収めます。\n\n5. **加重融合**：対応する空間位置の重みで加重和を計算し、\n\n   $$\n   y^l_{i,j} = \\alpha^l_{i,j} \\cdot x^{(1 \\to l)}_{i,j} + \\beta^l_{i,j} \\cdot x^{(2 \\to l)}_{i,j}\n   $$\n\n   ここで $x^{(n \\to l)}_{i,j}$ は第$n$層から尺度合わせされた$l$層の位置$(i,j)$の特徴ベクトル、$y^l_{i,j}$ は融合後の新特徴マップです。\n\n6. **意味的拡張**：融合結果を、dilation 率がそれぞれ 1 と 2 の 3×3 動的畳み込みへ**並列に**通し、2 つの出力を連結します。\n\n7. **統合出力**：最後に 1×1 の CBS モジュールで融合構造をまとめ、検出ヘッドへの入力とします。\n\n従来の融合法（FPN、PAN、BiFPN など）と比べ、AMSFF の特徴は単なる注意機構の追加ではなく、融合自体を「動的関係構築」として捉えている点にあります。\n\n### 実験設計\n\n本研究の実験には天津大学機械学習・データマイニング研究室が公開する**VisDrone2019**データセットを用いています。\n\nこのデータセットはドローンにより様々な天候・照明条件下で撮影され、都市部、郊外、駐車場、道路など多様なシーンを含み、小物体や複雑背景下での識別能力を検証するのに適しています。\n\nVisDrone2019 は 10 クラスの対象を含み、合計**10,209 枚の画像**を収録し、\n\n- 訓練セット：6,471 枚\n- 検証セット：548 枚\n- テストセット：3,190 枚\n\nと分割されています。\n\nデータの特徴は以下の通りです：\n\n- **シーン多様性が高い**：異なる場所や撮影条件を含む；\n- **対象サイズが小さい傾向**：図中のアノテーション枠は、幅・高さとも小さい範囲に集中する；\n- **遮蔽や光線変化が顕著**：モデルの汎化能力に挑戦を与える。\n\n以下の図は四種異なるシーンからのサンプル画像とアノテーションを示しています：\n\n![dataset](/content/papers/assets/227d9d3de016d8d87ec419267915879a357226b7f49408eb33262bfd665d126e.jpg)\n\n実験は標準的な YOLO 学習フローで行い、環境設定とハイパーパラメータは以下の表の通りです：\n\n\n\n![settings](/content/papers/assets/b3491f24ceef3ecb3c0505f25c97d3df6f9c488a4e044778ec362cdbaf1e2127.jpg)\n\n\n\n## 討論\n\n### ネットワーク構造調整比較実験\n\n\n\n![settings](/content/papers/assets/88151c1abebb79f7fe255ed36e2ee451f7306a57cc9757f071e118cca6797ecc.jpg)\n\n\n\n小物体認識に対する各検出ヘッドの影響を評価するため、本研究では **6 種類の異なる構造組み合わせ** を設計し、同一の訓練条件下で比較実験を行いました。具体的な構造の変化は上表の通りで、対応する性能結果は以下の通りです。\n\n\n\n![result](/content/papers/assets/74774ea013cae9a8a31ff12709b1a78fdb0d0120203268372e824fde065dce3e.jpg)\n\n\n\n実験結果から以下の重要な現象が見て取れます：\n\n1. **P2 検出ヘッドの追加**\n\n   元の YOLOv5s 構造に**P2 層（解像度 160×160）を追加**したところ、VisDrone2019 データセット上でモデル性能が明確に向上しました：\n\n   - **mAP\\@0.5 が 5.5 ポイント向上**（32.6→38.1）\n   - **mAP\\@0.5:0.95 が 4.1 ポイント向上**（17.4→21.5）\n\n   これは、より高解像度の特徴から微小な対象を捉える構成が、このデータセットで有効だったことを示します。パラメータ数と GFLOPs はともに増えています。\n\n2. **P5 検出ヘッドの除去**\n\n   別の実験では、**P2 を追加した構成から P5（20×20）検出ヘッドを除去**し、大型物体に関連するパラメータと計算を減らしました：\n\n   - mAP\\@0.5 は 0.5 ポイント増加（38.1→38.6）\n   - mAP\\@0.5:0.95 は 0.1 ポイント低下（21.5→21.4）\n\n   パラメータ数は 7.2M から 2.0M へ大きく減りましたが、mAP の変化は一方が微増、もう一方が微減です。この比較だけから汎化能力の変化までは判断できません。なお、P2 を追加せず P5 だけを除いた別の構成では、両方の mAP が元の YOLOv5s より 0.4 ポイント低下しています。\n\n3. **P4 と P5 の同時除去およびモデルの深さ・幅拡大**\n\n   最終バージョンでは、**P5 と P4 を同時に除去**し、モデルの深さを 0.33 から 0.67 に、幅を 0.5 から 0.75 に拡張して、過度な削減による表現能力低下を補填しました。\n\n   このバージョンの結果は最も顕著で、\n\n   - **mAP\\@0.5 が元の YOLOv5s より 8.3 ポイント向上**（32.6→40.9）\n   - **mAP\\@0.5:0.95 が 5.3 ポイント向上**（17.4→22.7）\n\n   ただし Table 6 では、幅と深さを増やす前に P4 まで除くと、mAP\\@0.5 は 38.6% から 33.0% に落ちています。最後の向上は**検出経路の整理と幅・深さの拡張を組み合わせた結果**です。\n\nこの比較実験から、VisDrone2019 の設定では、**小さい物を捉える P2/P3 の検出経路を残し、幅と深さも調整した構成**が、少ないパラメータでより高い mAP を得ています。ただし、表は各変更の効果をすべて個別に切り分けてはいません。\n\n### 消融実験\n\n\n\n![settings](/content/papers/assets/b297af03717bc69f1258335c291826bf636715779e242641effc1c19636be400.jpg)\n\n\n\nネットワーク構造、LW_C3、LW_Downsample、AMSFF の個別および組み合わせによる効果を検証するため、VisDrone2019 で消融実験を実施しました。\n\n最適化の組み合わせは上表に示され、性能結果は以下にまとめられています。\n\n\n\n![results](/content/papers/assets/6118cbf8f95bc2e59525304cd5820e2e65ef18507d39fe6b10bbf6480b7f9628.jpg)\n\n\n\nTable 8 の各単一モジュールの行は、構造調整後の YOLOv5_improve を共通の基準にしています。以下の差は、この基準と比較したものです：\n\n1. **構造最適化**\n\n   - 元の YOLOv5s より mAP\\@0.5 が 8.3 ポイント向上\n   - mAP\\@0.5:0.95 が 5.3 ポイント向上\n   - パラメータ数は元の YOLOv5s より約 81.4% 減少\n   - GFLOPs は約 53.1% 増加（16.0→24.5）\n\n   P4 と P5 の検出経路を整理し、浅い P2/P3 で検出します。92.1% は Table 2 に載るバックボーン各層の統計であり、モデル全体のパラメータ減少率ではありません。\n\n   パラメータ不足での劣化を防ぐため、深さ（0.33→0.67）と幅（0.5→0.75）を増やし、一定の抽象能力を保持。\n\n2. **モジュール軽量化**\n\n   - LW_C3：\n\n     - mAP\\@0.5 が 2.2 ポイント向上\n     - mAP\\@0.5:0.95 が 1.9 ポイント向上\n     - GFLOPs が 48.2% 減少\n\n   - LW_Downsample：\n\n     - mAP\\@0.5 が 3.9 ポイント向上\n     - mAP\\@0.5:0.95 が 3.0 ポイント向上\n     - GFLOPs が 11.0% 減少\n\n   どちらの単一モジュール行も、基準の 1.3M から 1.8M へパラメータが増える一方、表に示された GFLOPs は減っています。\n\n3. **AMSFF**\n\n   - mAP\\@0.5 が 3.4 ポイント向上\n   - mAP\\@0.5:0.95 が 2.6 ポイント向上\n\n   AMSFF は空間位置ごとに重みを変えて 2 つの特徴を融合します。この行では mAP が向上しますが、GFLOPs は 24.5 から 27.9 へ増えており、尺度間の「対話不均衡」そのものを直接測った結果ではありません。\n\n三つのモジュールを組み合わせた YOLO-Tiny は、**mAP\\@0.5 が 47.4%、mAP\\@0.5:0.95 が 27.7%、パラメータ数が 3.3M、GFLOPs が 13.4** です。元の YOLOv5s と比べると、mAP はそれぞれ 14.8／10.3 ポイント高く、パラメータ数と GFLOPs は約 52.9%／16.3% 少なくなっています。\n\n### 他 YOLO モデルとの比較\n\n\n\n![results](/content/papers/assets/ffd1e6503bbb21749ff6fefabbb8f882c7100c68f06df7045dfbb3e012e0ba38.jpg)\n\n\n\nYOLO シリーズは物体検出分野の代名詞であり、その高速な推論が注目されてきました。YOLOv3 の多スケール予測と Darknet-53 構造から、YOLOv8 の特徴融合の改良、YOLOv10 の NMS を使わない推論設計まで、世代ごとに精度と効率を追求しています。\n\n本研究では主流の YOLO モデルの小型版に焦点を当て、VisDrone2019 上で YOLO-Tiny が、少ないパラメータ・GFLOPs と高い mAP を両立したことを示しています。\n\nmAP\\@0.5 は YOLOv3-Tiny、YOLOv6s、YOLOv8s、YOLOv10s と比べて、それぞれ 23.7、10.8、8.3、9.1 **ポイント**高く、mAP\\@0.5:0.95 は 14.4、5.8、4.2、4.9 ポイント高い結果です。これら 4 行に対し、パラメータ数は約 59～80%、GFLOPs は約 30～70% 少なくなっています。Table 9 に推論遅延や FPS は載っていないため、無人機上での実際の速度はこの比較から判断できません。\n\n### 可視化デモ\n\n![vis](/content/papers/assets/59183614527ded059315c8264834c1ceeab041856683d8bbb6879b49b8faf44d.jpg)\n\n左端が原画像、中央が YOLOv5s、右端が YOLO-Tiny です。青い円は見逃した対象、赤い円は誤検出を示しています。右欄では検出できた小さな対象が増えた例もありますが、これらは定性的な事例であり、画像群全体の誤検出・見逃し率を表すものではありません。\n\n## 結論\n\nドローン空撮の極小ターゲットと端末計算制約下において、YOLO-Tiny の構造調整とモジュール設計は実現可能な技術アプローチを示しました。\n\n従来の軽量化モデルは速度と精度のトレードオフを強いられ、特に VisDrone のような環境では小物体特徴が多段階のダウンサンプリングで薄まるため、検出精度が伸び悩みました。\n\n本研究は P5、P4 の大物体向け検出経路を削減し、ネットワークの焦点を P3、P2 の小スケール領域に再設定しました。動的畳み込みと AMSFF モジュールを組み合わせ、表現力と特徴融合を補いながら、最終モデルの GFLOPs も基準モデルより抑えています。ただし、構造調整だけの段階では GFLOPs が増加していました。\n\n実験結果は VisDrone2019 上での mAP 向上とパラメータ・GFLOPs の減少を示しており、小物体向け構造設計がこの設定で有効であることを支えています。\n\nただし発表から日が浅く、著者は学習モジュールを公開しておらず、モデルは公開運用やコミュニティ検証を経ていないため、実際の性能と汎化性は今後の観察が必要です。\n","imageSizes":{"/content/papers/assets/9c76cc0c7e5b1f931556a72f4bc25369874752578be27173315ea38caa35a24a.jpg":{"width":1422,"height":844},"/content/papers/assets/2947408b1a5c0c3884246093f8151facaf37e50c00d4b41bdc2a292c4fb0e837.jpg":{"width":1120,"height":1080},"/content/papers/assets/1094ebd50f340f6602b1a95680588cf90d248d403f3f4999b4367914bad9c7a9.jpg":{"width":1224,"height":456},"/content/papers/assets/aa4420ab01f96e700db98f3c93966e7a0a451a8157d647586887d648514ef03c.jpg":{"width":1224,"height":244},"/content/papers/assets/bf70d5de96c96a6473b5da22e72b4d03ada0264e5b2d745194f1ed82b878b9a0.jpg":{"width":904,"height":500},"/content/papers/assets/a235cb3847dc63e6baad22781f2515f503b4343d383c853fac2ffe89dba11d75.jpg":{"width":1224,"height":284},"/content/papers/assets/227d9d3de016d8d87ec419267915879a357226b7f49408eb33262bfd665d126e.jpg":{"width":1224,"height":700},"/content/papers/assets/b3491f24ceef3ecb3c0505f25c97d3df6f9c488a4e044778ec362cdbaf1e2127.jpg":{"width":852,"height":696},"/content/papers/assets/88151c1abebb79f7fe255ed36e2ee451f7306a57cc9757f071e118cca6797ecc.jpg":{"width":974,"height":566},"/content/papers/assets/74774ea013cae9a8a31ff12709b1a78fdb0d0120203268372e824fde065dce3e.jpg":{"width":932,"height":456},"/content/papers/assets/b297af03717bc69f1258335c291826bf636715779e242641effc1c19636be400.jpg":{"width":1142,"height":654},"/content/papers/assets/6118cbf8f95bc2e59525304cd5820e2e65ef18507d39fe6b10bbf6480b7f9628.jpg":{"width":1138,"height":756},"/content/papers/assets/ffd1e6503bbb21749ff6fefabbb8f882c7100c68f06df7045dfbb3e012e0ba38.jpg":{"width":1144,"height":796},"/content/papers/assets/59183614527ded059315c8264834c1ceeab041856683d8bbb6879b49b8faf44d.jpg":{"width":4372,"height":2502}}}
