Taguchi-based Analysis of YOLO Hyperparameters on Object Detection Performance and Training Time

Counts differ because each database indexes a different set of publications. We treat OpenAlex as the canonical count; Google Scholar is not shown (no API, and crawling it violates its ToS).

부유 쓰레기의 불규칙한 분포 특성으로 인해 영상 기반 자동 모니터링이 요구되며, YOLO 계열 모델은 실시간 검출에 적합하다. 그러나 기존 연구들은 주로 모델 구조 비교에 집중되어 있어, 하이퍼 파라미터 설정이 성능과 학습 시간에 미치는 영향을 체계적으로 분석한 연구는 부족하다. 본 연구에서는 YOLOv8n 기반 부유 쓰레기 검출 시스템을 대상으로, 학습 반복 횟수, 입력 이미지 크기, 학습률, confidence threshold를 주요 인자로 설정하고 다구찌(Taguchi) 직교배열 실험계획법과 평균·민감도 및 신호대잡음비 분석을 결합하여 성능과 학습 효율을 동시에 만족하는 최적 하이퍼파라미터 조합을 도출하였다. 제안된 최적 조합은 기존 설정 대비 mAP과 recall을 향상시키면서 학습 시간을 유의하게 감소시켜, 제한된 연산 자원 환경에서 실시간 부유 쓰레기 검출을 위한 실용적 기준을 제공한다.