Federated Object Detection for Quality Inspection in Shared Production

要約

フェデレーテッド ラーニング (FL) は、データのプライバシーを損なうことなく、分散データ上で機械学習モデルをトレーニングするための有望なアプローチとして浮上しています。
この論文では、物体検出アルゴリズムとして YOLOv5 を使用し、FL アルゴリズムとして Federated Averaging (FedAvg) を使用する、品質検査タスクにおける物体検出のための FL アルゴリズムを提案します。
このアプローチを、非 IID データセットでデータのプライバシーを維持しながら、複数の工場/クライアントがグローバル物体検出モデルのトレーニングにデータを提供する製造ユースケースに適用します。
私たちの実験は、ローカル クライアントのデータセットを使用してトレーニングされたモデルと比較して、FL アプローチがクライアントのテスト データセット全体で優れた汎化パフォーマンスを達成し、オブジェクトの周囲に改善された境界ボックスを生成することを示しています。
この研究は、製造業における品質検査タスクにおける FL の可能性を示し、フェデレーション オブジェクト検出に YOLOv5 と FedAvg を利用するパフォーマンスと実現可能性についての貴重な洞察を提供します。

要約(オリジナル)

Federated learning (FL) has emerged as a promising approach for training machine learning models on decentralized data without compromising data privacy. In this paper, we propose a FL algorithm for object detection in quality inspection tasks using YOLOv5 as the object detection algorithm and Federated Averaging (FedAvg) as the FL algorithm. We apply this approach to a manufacturing use-case where multiple factories/clients contribute data for training a global object detection model while preserving data privacy on a non-IID dataset. Our experiments demonstrate that our FL approach achieves better generalization performance on the overall clients’ test dataset and generates improved bounding boxes around the objects compared to models trained using local clients’ datasets. This work showcases the potential of FL for quality inspection tasks in the manufacturing industry and provides valuable insights into the performance and feasibility of utilizing YOLOv5 and FedAvg for federated object detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google