[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,61 +2,279 @@
|
||||
id: wiki-2026-0508-bounding-box-regression
|
||||
title: Bounding Box Regression
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-BBOX]
|
||||
aliases: [bbox regression, object detection, IoU, anchor box, NMS, DETR, YOLO, mAP]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [Bounding Box Regression, Object Detection, Computer Vision, IoU]
|
||||
confidence_score: 0.93
|
||||
verification_status: applied
|
||||
tags: [object-detection, bbox, computer-vision, iou, nms, yolo, detr, anchor-free, mAP]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: PyTorch / Ultralytics / Detectron2
|
||||
---
|
||||
|
||||
# [[Bounding-Box-Regression|Bounding-Box-Regression]] (경계 박스 회귀)
|
||||
# Bounding Box Regression
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "이미지 속 사물의 정확한 주소를 찾는 일." 물체가 어디에 있는지 대략적인 영역을 넘어, x, y, Width, Height라는 4개의 숫자를 정밀하게 예측하여 물체를 상자 안에 가두는 컴퓨터 비전의 핵심 기술이다.
|
||||
## 📌 한 줄 통찰
|
||||
> **"매 image 의 정확한 주소"**. 매 (x, y, w, h) 의 4 number 의 predict + class. 매 object detection 의 core. 매 modern: 매 anchor-free + 매 DETR (transformer) 의 NMS-free.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Coordinate Prediction**:
|
||||
- 신경망의 마지막 층에서 물체의 중심점 좌표와 크기를 연속적인 실수값으로 출력한다.
|
||||
- **Intersection over Union (IoU)**:
|
||||
- 예측한 박스와 실제 정답 박스가 얼마나 겹치는지(0~1 사이) 측정하여 박스의 정확도를 평가하는 지표.
|
||||
- **Anchor Boxes**:
|
||||
- 다양한 크기와 비율의 가이드라인(Anchor)을 미리 뿌려두고, 물체와 가장 비슷한 앵커를 세밀하게 조정(Offset)하여 최종 위치를 결정한다.
|
||||
## 📖 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 여러 물체가 겹쳐 있을 때 하나의 박스만 남겨야 하는 'Non-Maximum Suppression (NMS)' 과정이 성능에 큰 영향을 미친다. 최근에는 NMS 없이 직접 물체 집합을 예측하는 Transformer 기반(DETR) 방식이 각광받고 있다.
|
||||
### 매 representation
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Object-Detection , [[Convolutional-Neural-Networks|Convolutional-Neural-Networks]]-(CNN)
|
||||
- Metric: Mean-Average-Precision-(mAP)
|
||||
#### (x, y, w, h)
|
||||
- 매 center + size.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
#### (x1, y1, x2, y2)
|
||||
- 매 corner 좌표.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
#### (cx, cy, w, h) normalized
|
||||
- 매 image-relative (0-1).
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
#### Polar / RotatedBox
|
||||
- 매 oriented (aerial, text).
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### IoU (Intersection over Union)
|
||||
$$IoU = \frac{|A \cap B|}{|A \cup B|}$$
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
- 매 0-1.
|
||||
- 매 GT 와 predict 의 overlap.
|
||||
- 매 NMS 의 base.
|
||||
- 매 mAP 의 component.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### 매 loss
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
#### L1 / L2
|
||||
- 매 simple.
|
||||
- 매 scale-dependent.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
#### IoU loss
|
||||
- 매 (1 - IoU).
|
||||
- 매 scale-invariant.
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
#### GIoU / DIoU / CIoU
|
||||
- 매 IoU 의 변형.
|
||||
- 매 non-overlap 의 case 도 gradient.
|
||||
- 매 CIoU = 매 IoU + center distance + aspect ratio.
|
||||
|
||||
### 매 anchor
|
||||
|
||||
#### Anchor-based (Faster R-CNN, SSD, YOLOv3-v5)
|
||||
- 매 미리 매 N 개 box 의 layout.
|
||||
- 매 GT 와 closest anchor 의 match.
|
||||
- 매 offset 의 regress.
|
||||
|
||||
#### Anchor-free (FCOS, YOLOX, CenterNet)
|
||||
- 매 점 의 직접 regress.
|
||||
- 매 hyperparameter ↓.
|
||||
- 매 modern 의 trend.
|
||||
|
||||
### NMS (Non-Maximum Suppression)
|
||||
- 매 highest score box 의 keep.
|
||||
- 매 IoU > threshold 의 box 의 drop.
|
||||
- 매 modern: Soft-NMS, Matrix NMS.
|
||||
|
||||
### 매 modern paradigm
|
||||
|
||||
#### YOLO (v8, v10, v11)
|
||||
- 매 single-stage.
|
||||
- 매 fast.
|
||||
- 매 anchor-free + decoupled head.
|
||||
|
||||
#### DETR / Deformable DETR
|
||||
- 매 transformer encoder-decoder.
|
||||
- 매 set prediction (no NMS).
|
||||
- 매 Hungarian matching loss.
|
||||
|
||||
#### DINO / Grounding DINO
|
||||
- 매 DETR 변형 + open-vocab.
|
||||
|
||||
#### SAM (Segment Anything)
|
||||
- 매 prompt-based segmentation.
|
||||
- 매 bbox prompt → 매 mask.
|
||||
|
||||
### 매 응용
|
||||
1. **Autonomous driving**: 매 vehicle / pedestrian.
|
||||
2. **Surveillance**: 매 person / face.
|
||||
3. **Retail**: 매 product detection.
|
||||
4. **Medical**: 매 lesion / cell.
|
||||
5. **Aerial**: 매 oriented bbox.
|
||||
6. **Robotics**: 매 grasping.
|
||||
|
||||
### Metric
|
||||
- **mAP** (mean Average Precision): 매 IoU threshold 별.
|
||||
- **mAP@50**: 매 IoU 0.5 만.
|
||||
- **mAP@50:95**: 매 0.5-0.95 의 average (COCO).
|
||||
- **AR** (Average Recall).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### IoU calculation
|
||||
```python
|
||||
def iou(box1, box2):
|
||||
"""매 (x1, y1, x2, y2) format."""
|
||||
x1 = max(box1[0], box2[0])
|
||||
y1 = max(box1[1], box2[1])
|
||||
x2 = min(box1[2], box2[2])
|
||||
y2 = min(box1[3], box2[3])
|
||||
|
||||
inter = max(0, x2 - x1) * max(0, y2 - y1)
|
||||
area1 = (box1[2] - box1[0]) * (box1[3] - box1[1])
|
||||
area2 = (box2[2] - box2[0]) * (box2[3] - box2[1])
|
||||
union = area1 + area2 - inter
|
||||
return inter / union if union > 0 else 0
|
||||
```
|
||||
|
||||
### NMS
|
||||
```python
|
||||
def nms(boxes, scores, iou_threshold=0.5):
|
||||
indices = scores.argsort(descending=True)
|
||||
kept = []
|
||||
while len(indices) > 0:
|
||||
idx = indices[0]
|
||||
kept.append(idx.item())
|
||||
if len(indices) == 1: break
|
||||
rest = indices[1:]
|
||||
ious = torch.tensor([iou(boxes[idx], boxes[i]) for i in rest])
|
||||
indices = rest[ious <= iou_threshold]
|
||||
return kept
|
||||
```
|
||||
|
||||
### CIoU loss
|
||||
```python
|
||||
import torch
|
||||
|
||||
def ciou_loss(pred, gt):
|
||||
iou_val = iou_tensor(pred, gt)
|
||||
|
||||
# 매 center distance
|
||||
px, py = (pred[:, 0] + pred[:, 2]) / 2, (pred[:, 1] + pred[:, 3]) / 2
|
||||
gx, gy = (gt[:, 0] + gt[:, 2]) / 2, (gt[:, 1] + gt[:, 3]) / 2
|
||||
rho2 = (px - gx)**2 + (py - gy)**2
|
||||
|
||||
# 매 enclosing box
|
||||
cx1 = torch.min(pred[:, 0], gt[:, 0])
|
||||
cy1 = torch.min(pred[:, 1], gt[:, 1])
|
||||
cx2 = torch.max(pred[:, 2], gt[:, 2])
|
||||
cy2 = torch.max(pred[:, 3], gt[:, 3])
|
||||
c2 = (cx2 - cx1)**2 + (cy2 - cy1)**2
|
||||
|
||||
# 매 aspect ratio
|
||||
pw, ph = pred[:, 2] - pred[:, 0], pred[:, 3] - pred[:, 1]
|
||||
gw, gh = gt[:, 2] - gt[:, 0], gt[:, 3] - gt[:, 1]
|
||||
v = (4 / math.pi**2) * (torch.atan(gw / gh) - torch.atan(pw / ph))**2
|
||||
alpha = v / (1 - iou_val + v + 1e-7)
|
||||
|
||||
return 1 - iou_val + rho2 / c2 + alpha * v
|
||||
```
|
||||
|
||||
### YOLO inference (Ultralytics)
|
||||
```python
|
||||
from ultralytics import YOLO
|
||||
|
||||
model = YOLO('yolov8n.pt')
|
||||
results = model('image.jpg', conf=0.25, iou=0.45)
|
||||
|
||||
for r in results:
|
||||
for box in r.boxes:
|
||||
xyxy = box.xyxy[0] # (x1, y1, x2, y2)
|
||||
conf = box.conf[0]
|
||||
cls = int(box.cls[0])
|
||||
print(f'{model.names[cls]}: {conf:.2f} at {xyxy}')
|
||||
```
|
||||
|
||||
### DETR (Hungarian matching)
|
||||
```python
|
||||
import torch
|
||||
from scipy.optimize import linear_sum_assignment
|
||||
|
||||
def hungarian_matcher(pred_logits, pred_boxes, gt_labels, gt_boxes):
|
||||
"""매 N pred ↔ M gt 의 optimal matching."""
|
||||
# 매 cost matrix: classification + bbox L1 + IoU
|
||||
cost_class = -pred_logits.softmax(-1)[:, gt_labels]
|
||||
cost_bbox = torch.cdist(pred_boxes, gt_boxes, p=1)
|
||||
cost_giou = -generalized_iou(pred_boxes, gt_boxes)
|
||||
|
||||
cost = 1.0 * cost_class + 5.0 * cost_bbox + 2.0 * cost_giou
|
||||
|
||||
indices = linear_sum_assignment(cost.cpu())
|
||||
return indices
|
||||
```
|
||||
|
||||
### Custom training (Detectron2 / Ultralytics)
|
||||
```python
|
||||
from ultralytics import YOLO
|
||||
|
||||
model = YOLO('yolov8n.yaml')
|
||||
model.train(
|
||||
data='coco.yaml',
|
||||
epochs=100,
|
||||
batch=16,
|
||||
imgsz=640,
|
||||
optimizer='AdamW',
|
||||
lr0=0.001,
|
||||
cos_lr=True,
|
||||
)
|
||||
|
||||
# 매 export
|
||||
model.export(format='onnx')
|
||||
```
|
||||
|
||||
### mAP calculation
|
||||
```python
|
||||
from torchmetrics.detection import MeanAveragePrecision
|
||||
|
||||
metric = MeanAveragePrecision(box_format='xyxy', iou_type='bbox')
|
||||
metric.update(preds=pred_boxes_list, target=gt_boxes_list)
|
||||
result = metric.compute()
|
||||
print(f"mAP@50:95: {result['map']:.4f}")
|
||||
print(f"mAP@50: {result['map_50']:.4f}")
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 상황 | Model |
|
||||
|---|---|
|
||||
| Real-time | YOLOv8/10 |
|
||||
| Accuracy | DINO / Co-DETR |
|
||||
| Edge | YOLOv8n / NanoDet |
|
||||
| Open-vocab | Grounding DINO |
|
||||
| Aerial / oriented | RotatedBox + RoITrans |
|
||||
| Crowd | DETR (no NMS) |
|
||||
| Few-shot | Meta-learning + finetune |
|
||||
|
||||
**기본값**: YOLOv8 의 baseline. 매 SOTA 가 DETR family. 매 segmentation 의 SAM.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Object-Detection]] · [[Computer-Vision]]
|
||||
- 변형: [[YOLO]] · [[Faster-R-CNN]] · [[DETR]] · [[FCOS]] · [[SAM]]
|
||||
- 응용: [[Autonomous-Vehicles]] · [[Surveillance]] · [[Medical-Imaging]]
|
||||
- Loss: [[IoU-Loss]] · [[GIoU]] · [[CIoU]] · [[Focal-Loss]]
|
||||
- Adjacent: [[Anchor-Box]] · [[NMS]] · [[mAP]] · [[Hungarian-Matching]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 detection task. 매 model selection. 매 loss 의 design. 매 deployment optimization.
|
||||
**언제 X**: 매 classification (no localization). 매 segmentation (use SAM/Mask R-CNN).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **L2 loss only**: 매 scale-dependent.
|
||||
- **NMS threshold 의 default**: 매 specific tuning 필요.
|
||||
- **Anchor 의 default**: 매 dataset 의 statistics 의 reflect X.
|
||||
- **mAP@50 만**: 매 strict (mAP@50:95) 의 hide.
|
||||
- **Class imbalance 무시**: 매 minority class 의 fail.
|
||||
- **Test set 의 augment**: 매 leakage.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Faster R-CNN, YOLO papers, DETR, SAM).
|
||||
- 신뢰도 A.
|
||||
- Related: [[YOLO]] · [[DETR]] · [[Object-Detection]] · [[SAM]] · [[Autonomous-Vehicles]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — IoU + NMS + DETR + 매 PyTorch / Ultralytics code |
|
||||
|
||||
Reference in New Issue
Block a user