Lightweight YOLOv8 with Multi-Module Optimization for Electric Bicycle Rider Helmet Detection

Technische Samenvatting: Lichtgewicht YOLOv8 met Multi-Module Optimalisatie voor Detectie van Helmgebruik bij Elektrische Fietsers

Probleemstelling
De snelle proliferatie van elektrische fietsen heeft geleid tot aanzienlijke uitdagingen voor de verkeersveiligheid, voornally door niet-standaard helmgedrag. Hoewel verplichte helmregels bestaan, is traditionele handmatige supervisie inefficiënt en mist het volledige dekking. Bestaande op deep learning gebaseerde detectiealgoritmen kampen met kritieke knelpunten bij implementatie in de echte wereld:

1. Detectie van kleine objecten: Moeite met het nauwkeurig detecteren van verre of kleinschalige helmdoelen.
2. Omgevingsrobuustheid: Verminderde prestaties onder complexe achtergronden, occlusie in druk verkeer en variërende lichtomstandigheden.
3. Computationele Efficiëntie: Veel modellen maken gebruik van opgeblazen netwerkstructuren die computationeel duur zijn, wat implementatie op mobiele apparaten en edge-apparaten vereist voor real-time verkeersbeheer belemmert.
4. Balansproblematiek: Een gebrek aan effectieve afwegingen tussen detectie-accuratesse, real-time inferentiesnelheid en model-lichtgewichtheid.

Methodologie
De auteurs stellen een verbeterd YOLOv8-gebaseerd detectiesysteem voor, ontworpen om de feature extractie voor kleine objecten te verbeteren en de adaptiviteit in complexe verkeersscenario's te vergroten. Het basismodel dat is gekozen is YOLOv8s, geselecteerd vanwege de balans tussen accuratesse en snelheid. De voorgestelde methode integreert vier specifieke multi-module optimalisaties:

1. Optimalisatie van de Loss Function (Inner-MPDIoU):

   • De originele CIoU loss wordt vervangen door Inner-MPDIoU (Inner Multi-Point Distance Intersection over Union).
   • Mechanisme: Inner-MPDIoU minimaliseert de afstand tussen de voorspelde en de grondwaarheid bounding box hoekpunten ($d_1, d_2$) terwijl een ratio-factor wordt geïntroduceerd om een hulp-bounding box te controleren.
   • Voordeel: Deze aanpak vermindert de computationele complexiteit door het elimineren van inverse trigonometrische functies, verbetert de convergentiestabiliteit en verhoogt specifiek de lokalisatie-accuratesse voor kleine objecten en objecten met ongebalanceerde aspectratio's.

2. Backbone Verbetering (C2f_CA Module):

   • De standaard C2f module in de YOLOv8 Backbone wordt vervangen door een C2f_CA module, die de Coordinate Attention (CA) mechanisme integreert.
   • Mechanisme: CA voert één-dimensionale globale pooling uit langs horizontale en verticale richtingen om ruimtelijke positie-informatie te coderen.
   • Voordeel: Dit stelt het model in staat om irrelevant achtergrondruis adaptief te filteren en belangrijke doel-features (helmen/elektrische fietsen) te benadrukken zonder de computationele overhead significant te verhogen, wat de focus op dichte en kleine objecten verbetert.

3. Toevoeging van een Small Object Detectielaag:

   • Een toegewijde 160×160 detectielaag wordt toegevoegd aan de Neck-structuur, naast de standaard 20×20, 40×40 en 80×80 lagen.
   • Mechanisme: Deze laag maakt gebruik van hoog-resolutie feature maps om fijne details te vangen die vaak verloren gaan tijdens downsampling.
   • Voordeel: Het vermindert aanzienlijk het aantal gemiste detecties en valse alarmen voor ultra-kleine objecten (bijv. verre helmen) door het te fuseren van ondiepe en diepe semantische informatie.

4. Upsampling Optimalisatie (CARAFE):

   • Traditionele upsampling-methoden (nearest-neighbor of bilinear) worden vervangen door CARAFE (Content-Aware Re-Assembly of Features).
   • Mechanisme: CARAFE gebruikt een Kernel Prediction Module (KPM) en een Content-Aware Reassembly Module (CARM) om dynamische gewichten te genereren op basis van de input feature content.
   • Voordeel: Dit behoudt lokale details en semantische informatie tijdens feature fusie, wat de kwaliteit van de geupsamplede feature maps voor kleine objectdetectie verbetert.

Belangrijkste Bijdragen

• Multi-Module Synergie: Het artikel presenteert een holistische optimalisatiestrategie die de verfijning van de loss function, aandachtmechanismen, architecturale expansie voor kleine objecten en geavanceerde upsampling combineert, in plaats van te vertrouwen op een enkele modificatie.
• Lichtgewicht Efficiëntie: Ondanks het toevoegen van modules, behoudt het model een aantal parameters (3.14M) en computationele kosten (13.6 GFLOPs) die vergelijkbaar zijn met andere lichtgewicht varianten, wat geschiktheid voor edge-deployment garandeert.
• Gerichte Small-Object Optimalisatie: De specifieke toevoeging van de 160×160 laag en het gebruik van Inner-MPDIoU pakken direct de specifieke uitdaging aan van het detecteren van kleine, verre helmen in het verkeer.

Experimentele Resultaten
De studie werd uitgevoerd met twee datasets (1.500 en 1.200 afbeeldingen) afkomstig van Roboflow, gesplitst in 8:2 voor training en testen. De omgeving maakte gebruik van een NVIDIA RTX 3060 GPU.

• Baseline Vergelijking: Het voorgestelde model presteerde beter dan andere lichtgewicht YOLO-varianten (v5, v6, v9, v10, v11) in termen van mAP50 en mAP50-95, terwijl het concurrerende inferentiesnelheden behield.
• Ablatie/Vergelijkende Analyse: De voorgestelde methode ("Ours") werd vergeleken met drie andere verbeterde algoritmen:
  • YOLOv8-otl (CARAFE + WIoU)
  • YOLOv8-C2fDCN (EMA + Inner-MPDIoU)
  • YOLOv5-CA (CA + CBAM + DIoU)
• Prestatie-metrieken:
  • Op Dataset 1 bereikte de voorgestelde methode de hoogste mAP50 (0.638) en mAP50-95 (0.234), met een Precision van 0.652 en een Recall van 0.654.
  • Op Dataset 2 bereikte het een mAP50 van 0.879 (gelijk aan de beste) en de hoogste mAP50-95 (0.612).
  • Het model demonstreerde superieure classificatie-accuratesse in de confusion matrix analyse, met hogere diagonale waarden (correcte classificaties) en lagere off-diagonale waarden (misclassificaties) vergeleken met concurrenten.
  • De Precision-Recall (P-R) curve voor de voorgestelde methode was consistent hoger, wat wijst op een grotere Area Under the Curve (AP).

Significantie en Claims
Het artikel claimt dat de voorgestelde methode succesvol de afweging tussen detectie-accuratesse en real-time prestaties bij de detectie van helmgebruik bij elektrische fietsen aanpakt. Door effectief valse positieven en gemiste detecties te onderdrukken in complexe verkeersscenario's, biedt het systeem een betrouwbare technische oplossing voor intelligente verkeersveiligheidsbeheer. De auteurs stellen dat hun multi-module collaboratieve optimalisatiestrategie een meer praktische en robuuste aanpak biedt voor edge-device deployment vergeleken met bestaande single-module verbeteringen. De studie concludeert dat dit algoritme een haalbaar fundament biedt voor geautomatiseerd, grootschalig toezicht op helmgebruik, waarbij echter wordt gesuggereerd dat toekomstig werk de dataset-diversiteit moet uitbreiden en verdere modelcompressie voor extreme omgevingen moet verkennen.