YOLOv4 και YOLOv4-tiny για ανίχνευση μάσκας σε πραγματικό χρόνο για κινητές συσκευές

Abstract

Η ιογενής έξαρση του COVID-19 που ξεκίνησε το 2019, άλλαξε ριζικά την καθημερινότητά μας, με αρνητικές επιπτώσεις στις απλές, καθημερινές συνήθειες των πολιτών. Σε πολλές χώρες σε όλο τον κόσμο, η χρήση μάσκας είναι απαραίτητη ως μέτρο προστασίας κατά του COVID-19. Κάθε υπηρεσία, οργανισμός, διάφορα καταστήματα, σχολεία, πανεπιστήμια, νοσοκομεία, εταιρείες και πολλά άλλα μέρη, τα οποία επισκέπτονται εκατοντάδες άτομα καθημερινά, καθιστούν απαραίτητη τη χρήση μάσκας για την είσοδο σε αυτά. Το γεγονός αυτό απαιτεί τον έλεγχο των ατόμων κατά την είσοδό τους στους αντίστοιχους χώρους για να διαπιστωθεί αν φοράνε μάσκα κατά την είσοδό τους στον χώρο. Σε αυτήν την έρευνα συγκρίναμε την απόδοση του αλγορίθμου YOLOv4 και του αλγορίθμου YOLOv4-tiny σε εικόνες, βίντεο και βίντεο σε πραγματικό χρόνο. Στο επόμενο βήμα θα εφαρμόσουμε το μοντέλο YOLOv4 TFlite και YOLOv4-tiny TFlite για εφαρμογές για κινητά χρησιμοποιώντας την πλατφόρμα Android Studio. Στο προτεινόμενο σύνολο δεδομένων, ο αλγόριθμος YOLOv4 πέτυχε 92.91% mAP και η εκπαίδευση του μοντέλου χρειάστηκε περίπου 2 ώρες για 1000 επαναλήψεις. Από την άλλη πλευρά, ο YOLOv4-tiny πέτυχε 74.75% mAP και η εκπαίδευση του μοντέλου χρειάστηκε λιγότερο από μισή ώρα για 1000 επαναλήψεις. Για περαιτέρω βελτίωση μετατρέπουμε τους αλγορίθμους YOLOv4 και YOLOv4-tiny σε YOLOv4 TFlite και YOLOv4-tiny TFlite αντίστοιχα. Μετά από αυτό το βήμα, συγκρίνουμε την απόδοση του μοντέλου YOLOv4 TFlite και YOLOv4-tiny TFlite σε φορητή συσκευή. Το YOLOv4 TFlite πέτυχε ακρίβεια 96.92% σε βίντεο σε πραγματικό χρόνο στα 5017 ms και YOLOv4-tiny πέτυχε ακρίβεια 74.72% σε βίντεο σε πραγματικό χρόνο στα 491 ms.