AI
파이넷츠프레소의 가지치기 기법을 활용한YOLOv5-L의 실시간 처리 속도 향상
두줄요약
PyNetsPresso의 DAP로 YOLOv5-L에서 의존성을 고려한 파라미터 제거 방식을 소개했습니다. Jetson Xavier·TensorRT 환경에서 2.63배 성능 향상과 2% 수준의 성능 저하를 제시했습니다.
문제 상황
- YOLOv5-L의 높은 연산 자원 요구와 실시간 추론 적용의 어려움
- 경량화 과정에서 정확도 저하를 최소화해야 하는 요구
해결 방법
- PyNetsPresso의 의존성 인식 가지치기(DAP)로 계층 간 의존성을 고려한 불필요 파라미터 제거
- SLAMP 기반 계층별 권장 가지치기 비율 설정과 가지치기 모델 재학습
- 복잡한 스킵 연결·병합·분할 구조까지 추적하는 필터 단위 경량화
성능/운영 포인트
- VOC 데이터셋 학습 모델을 Jetson Xavier에서 TensorRT 변환 후 지연 시간 측정
- YOLOv5-L 성능 2.63배 향상과 성능 저하 2% 수준의 결과
- 반복 가지치기를 위한 model_id 재사용 및 output_path 결과 저장
주의할 점
- 0 값 할당 방식의 전통적 가지치기로는 실제 네트워크 크기·지연 시간 감소의 한계
- 가지치기 후 최적 성능 회복을 위한 재학습 필요
