windows10搭載のゲーミングノートでリアルタイム物体検出がどこまでできるか試してみた話（SSDで物体検出）その2

2020年5月6日2021年6月19日

今日は、前回記事の続きを書きます。

前回記事では、ゲーミングノートでSSDによる物体検出がどこまでできるか試した話を書きました。

前回の結論は、物体検出の推論時の計算負荷が大きく、ゲーミングノートのCPUとGPUにはかなりのスペックが必要であると書きました。

確かに一部は正しいのですが、一部は間違っていました。

今回は、何が間違っていたのかを書きたいと思います。

学習条件および結果の比較

今回は、子供のおもちゃ（だだんだんとイーブイ）を学習させてみました。

「だだんだん」というのは、ばいきんまんが作ったロボットでアンパンマンのキャラクタです。

「イーブイ」はポケモンのキャラクターです。

また、比較のために「ネコと車」の学習条件と結果も示します。

ネコと車の詳細については、前回記事を参考にしてください。

なお、今回の「だだんだんとイーブイ」の学習時もImageNetで学習済みのvgg16ベースのSSDモデル（.pthファイル）を用いて転移学習を行っています。

このlossのグラフから以下が分かります。

最終的な loss の値を以下に示します。

学習対象	lossの値
「だだんだんとイーブイ」	0.8 ～ 1.0
「ネコと車」	1.5 ～ 2.0

「だだんだんとイーブイ」の学習後の loss は、「ネコと車」に比べ、約二分の一になっています。

続いて、この loss の値が物体検出にどう影響するか示します。

検出結果を以下に示します。

上記 2枚の画像の丸で囲んだ部分（FPSの部分）を見てください。

FPS（フレームレート）の数字が全く違うことが分かります。

検出物体	FPS
だだんだん、イーブイ	21
車	5

つまり、学習時に loss が小さいモデルを作成すれば、物体検出時のFPSを劇的に上げることができるということです。

確かにゲーミングノートのCPUやGPUの性能を上げることも大事ですが、それよりも学習時に loss の小さなモデルを如何に作成できるかが大事だということです。

前回の実験では気づきませんでしたが、今回の追加実験でそれが分かりました。

逆に言うと、loss の小さなモデルを作ることができれば、推論時のノートパソコンの性能は今回準備したゲーミングノートレベルで十分だと思います。

今回準備したゲーミングノートは、Dell G7 15プラチナ（CPU：Intel Core i7-8750H, 2.2GHz、GPU：NVIDIA GeForce GTX1060 with Max-Q Design）です。（詳細は前回記事を参照ください）

現在では、ミドルクラスのゲーミングノートになるかと思います。

値段も10万円前後から購入可能だと思います。

最近はさらに高性能なゲーミングノート（RTX2060、RTX2070 搭載モデル）が発売されていますので、それらのスペックならさらに高FPSを狙うことも可能だと思います。

ゲーミングノートでリアルタイム物体検出（30FPS以上）も夢ではないと思います。