Die Vorteile des ankerfreien Detektors Ultralytics YOLO11

Ein Blick auf die Geschichte der Vision-KI-Modelle zeigt, dass es das Konzept der Objekterkennung bereits seit den 1960er-Jahren gibt. Diese zentrale Computer-Vision-Aufgabe umfasst das Erkennen und Lokalisieren von Objekten in einem Bild oder Video. Ihre heutige Bedeutung ergibt sich aus den großen Fortschritten bei Objekterkennungstechniken und Modellarchitekturen.

In einem früheren Artikel haben wir die Entwicklung der Objekterkennung und den Weg zu den Ultralytics-YOLO-Modellen besprochen. Heute widmen wir uns einem konkreteren Meilenstein auf diesem Weg: dem Übergang von Detektoren mit Ankern zu Detektoren ohne Anker.

Detektoren mit Ankern verwenden vordefinierte Rahmen, sogenannte „Anker“, um die Position von Objekten in einem Bild vorherzusagen. Im Gegensatz dazu verzichten Detektoren ohne Anker auf diese vordefinierten Rahmen und sagen die Objektpositionen direkt voraus.

Dieser Wechsel mag wie eine einfache, naheliegende Änderung wirken, hat aber tatsächlich zu deutlichen Verbesserungen bei Genauigkeit und Effizienz der Objekterkennung geführt. In diesem Artikel erfährst du, wie Detektoren ohne Anker die Computer Vision durch Fortschritte wie Ultralytics YOLO11 verändert haben.

Was sind Detektoren mit Ankern?#

Detektoren mit Ankern verwenden vorab festgelegte Rahmen, sogenannte Anker, um Objekte in einem Bild zu lokalisieren. Du kannst dir diese Anker als ein Raster aus Rahmen unterschiedlicher Größe und Form vorstellen, das über das Bild gelegt wird. Das Modell passt die Rahmen anschließend so an, dass sie zu den erkannten Objekten passen. Erkennt das Modell beispielsweise ein Auto, verändert es den Ankerrahmen so, dass er Position und Größe des Autos genauer abbildet.

Jeder Anker ist einem möglichen Objekt im Bild zugeordnet. Beim Training lernt das Modell, die Ankerrahmen so anzupassen, dass sie Position, Größe und Seitenverhältnis des Objekts besser abbilden. Dadurch kann das Modell Objekte in unterschiedlichen Größen und Ausrichtungen erkennen. Allerdings kann es zeitaufwendig sein, die passenden Ankerrahmen auszuwählen, und beim Feintuning können leicht Fehler auftreten.

Abb. 1. Was ist ein Ankerrahmen?

Detektoren mit Ankern wie YOLOv4 haben sich zwar in vielen Anwendungen bewährt, bringen aber auch einige Nachteile mit sich. Ankerrahmen passen beispielsweise nicht immer gut zu Objekten unterschiedlicher Form und Größe. Dadurch wird es für das Modell schwieriger, kleine oder unregelmäßig geformte Objekte zu erkennen. Auch die Auswahl und Feinabstimmung der Ankerrahmengrößen kann zeitaufwendig sein und erfordert viel manuelle Arbeit. Zudem haben Modelle mit Ankern oft Schwierigkeiten, verdeckte oder überlappende Objekte zu erkennen, da sich die vorgegebenen Rahmen nicht gut an solche komplexeren Situationen anpassen.

Der Wechsel zur Objekterkennung ohne Anker#

Detektoren ohne Anker erregten ab 2018 mit Modellen wie CornerNet und CenterNet Aufmerksamkeit. Sie verfolgten einen neuen Ansatz für die Objekterkennung, bei dem keine vorab festgelegten Ankerrahmen benötigt werden. Anders als herkömmliche Modelle, die anhand unterschiedlich großer und geformter Ankerrahmen die Position von Objekten vorhersagen, sagen Modelle ohne Anker die Objektpositionen direkt voraus. Sie konzentrieren sich auf markante Punkte oder Merkmale des Objekts, beispielsweise dessen Mittelpunkt. Das vereinfacht den Erkennungsprozess und macht ihn schneller und genauer.

So funktionieren Modelle ohne Anker in der Regel:

• Keypoint-Erkennung: Anstatt vordefinierte Rahmen zu verwenden, erkennen manche Modelle wichtige Punkte eines Objekts, etwa dessen Mittelpunkt oder bestimmte Ecken. Anhand dieser Schlüsselpunkte können Modelle bestimmen, wo sich das Objekt befindet und wie groß es ist.
• Vorhersage des Mittelpunkts: Manche Modelle konzentrieren sich darauf, den Mittelpunkt eines Objekts vorherzusagen. Sobald der Mittelpunkt lokalisiert ist, kann das Modell daraus Größe und Position des gesamten Objekts ableiten.
• Heatmap-Regression: Viele Modelle ohne Anker verwenden Heatmaps, bei denen jedes Pixel eine mögliche Position eines Objekts darstellt. Höhere Heatmap-Werte weisen darauf hin, dass ein Objekt an dieser Stelle mit größerer Wahrscheinlichkeit vorhanden ist.

Abb. 2. Objekterkennung mit Ankern im Vergleich zur Objekterkennung ohne Anker.

Da Modelle ohne Anker nicht auf Ankerrahmen angewiesen sind, ist ihr Aufbau einfacher. Dadurch arbeiten sie rechenökonomischer. Weil sie nicht mehrere Ankerrahmen verarbeiten müssen, erkennen sie Objekte schneller – ein wichtiger Vorteil bei Echtzeitanwendungen wie autonomem Fahren und Videoüberwachung.

Modelle ohne Anker können auch kleine, unregelmäßige oder teilweise verdeckte Objekte deutlich besser verarbeiten. Da sie sich auf die Erkennung von Schlüsselpunkten konzentrieren, statt Ankerrahmen anzupassen, sind sie viel flexibler. Dadurch können sie Objekte in unübersichtlichen oder komplexen Umgebungen präzise erkennen, in denen Modelle mit Ankern möglicherweise versagen.

Ultralytics YOLO11: ein Detektor ohne Anker#

YOLO-Modelle wurden ursprünglich auf Geschwindigkeit und Effizienz ausgelegt und sind nach und nach von Verfahren mit Ankern zur Erkennung ohne Anker übergegangen. Dadurch sind Modelle wie Ultralytics YOLO11 schneller, flexibler und für ein breites Spektrum von Echtzeitanwendungen besser geeignet.

Hier siehst du kurz, wie sich der ankerfreie Aufbau in verschiedenen YOLO-Versionen weiterentwickelt hat:

• Ultralytics YOLOv5u: Übernahm den in YOLOv8 erstmals eingeführten ankerfreien, aufgeteilten Ultralytics-Head, wodurch vordefinierte Ankerrahmen überflüssig wurden. Stattdessen sagt das Modell direkt voraus, wo sich Objekte in einem Bild befinden. Das vereinfacht den Prozess und verbessert Flexibilität und Geschwindigkeit.
• YOLOv6: Hier kam ein neues Verfahren namens Anchor-Aided Training (AAT) zum Einsatz, bei dem Anker nur während des Trainings verwendet wurden. So konnte das Modell beim Training von der Struktur ankerbasierter Verfahren profitieren und zur Laufzeit dennoch mit ankerfreier Erkennung für mehr Geschwindigkeit und Anpassungsfähigkeit arbeiten.
• Ultralytics YOLOv8: Vollständiger Umstieg auf die ankerfreie Erkennung mithilfe des ankerfreien, geteilten Ultralytics-Heads. Dadurch wurde das Modell schneller und genauer – insbesondere bei kleinen oder ungewöhnlich geformten Objekten, die sich mit Ankerrahmen nur schwer erfassen lassen.
• Ultralytics YOLO11: Behält das ankerfreie Design von YOLOv8 bei und verfeinert zugleich Backbone und Neck. Das sorgt für eine schnellere und genauere Erkennung in Echtzeitanwendungen wie der Überwachung des Tierverhaltens und der Einzelhandelsanalyse.

Abb. 3. Vergleich von Ultralytics YOLOv8 und Ultralytics YOLO11.

Anwendungen von Ultralytics YOLO11 in der Praxis#

Ein gutes Beispiel für die Vorteile der ankerfreien Erkennung mit Ultralytics YOLO11 sind autonome Fahrzeuge. Bei selbstfahrenden Autos ist es für die Sicherheit entscheidend, Fußgänger, andere Fahrzeuge und Hindernisse schnell und präzise zu erkennen. Der ankerfreie Ansatz von YOLO11 vereinfacht den Erkennungsprozess, indem er die Schlüsselpunkte von Objekten direkt vorhersagt, etwa den Mittelpunkt eines Fußgängers oder die Begrenzungen eines anderen Fahrzeugs, anstatt sich auf vordefinierte Ankerrahmen zu stützen.

Abb. 4. Vorteile der ankerfreien Erkennung mit Ultralytics YOLO11 (Bild vom Autor).

Ultralytics YOLO11 muss kein Ankerraster an jedes Objekt anpassen oder anlegen, was rechenintensiv und langsam sein kann. Stattdessen konzentriert sich das Modell auf wichtige Merkmale und arbeitet dadurch schneller und effizienter. Wenn beispielsweise ein Fußgänger auf die Fahrbahn des Fahrzeugs tritt, kann YOLO11 seine Position schnell anhand wichtiger Punkte bestimmen, selbst wenn die Person teilweise verdeckt ist oder sich bewegt. Dank der Fähigkeit, sich ohne Ankerrahmen an unterschiedliche Formen und Größen anzupassen, erkennt YOLO11 Objekte zuverlässiger und schneller. Das ist entscheidend für Entscheidungen in Echtzeit in autonomen Fahrsystemen.

Weitere Anwendungsbereiche, in denen die ankerfreien Fähigkeiten von Ultralytics YOLO11 besonders überzeugen, sind:

• Einzelhandel und Bestandsverwaltung: Ultralytics YOLO11 erleichtert die Überwachung von Produkten in Regalen, selbst wenn sie gestapelt oder teilweise verdeckt sind. So lässt sich der Bestand schneller und präziser erfassen und die Fehlerquote sinkt.
• Medizinische Bildgebung: YOLO11 ist auch im Gesundheitswesen effektiv und kann Tumore oder andere Auffälligkeiten in medizinischen Aufnahmen erkennen. Die Fähigkeit, mit unregelmäßig geformten Objekten umzugehen, verbessert die Genauigkeit bei der Diagnose komplexer Erkrankungen.
• Überwachung von Wildtieren: In der Wildtierforschung kann Ultralytics YOLO11 Tiere in dichten Wäldern oder schwierigem Gelände verfolgen und Forschenden dabei helfen, ihr Verhalten zu beobachten oder gefährdete Arten zu schützen.
• Sportanalytik: Ultralytics YOLO11 kann bei Sportveranstaltungen Spieler, Ballbewegungen und andere Elemente in Echtzeit verfolgen und so wertvolle Erkenntnisse für Teams, Trainer und Rundfunkanstalten liefern.

Was du bei der Arbeit mit ankerfreien Modellen beachten solltest#

Ankerfreie Modelle wie Ultralytics YOLO11 bieten zwar viele Vorteile, haben aber auch gewisse Einschränkungen. Praktisch ist vor allem zu beachten, dass auch ankerfreie Modelle bei Verdeckungen oder stark überlappenden Objekten Schwierigkeiten haben können. Der Grund dafür ist, dass Computer Vision menschliches Sehen nachbilden soll. So wie es auch uns manchmal schwerfällt, verdeckte Objekte zu erkennen, können KI-Modelle vor ähnlichen Herausforderungen stehen.

Ein weiterer interessanter Aspekt ist die Verarbeitung von Modellvorhersagen. Obwohl die Architektur von Modellen ohne Anker einfacher ist als die von Modellen mit Ankern, ist in bestimmten Fällen eine zusätzliche Verfeinerung erforderlich. So können Nachbearbeitungstechniken wie die Nicht-Maximum-Unterdrückung (NMS) nötig sein, um überlappende Vorhersagen zu bereinigen oder die Genauigkeit in dicht bevölkerten Szenen zu verbessern. Neuere Modelle wie Ultralytics YOLO26 lassen diesen Schritt durch ein End-to-End-Design ohne NMS entfallen.

Mit Ultralytics YOLO11 die Zukunft der KI fest im Blick#

Der Wechsel von ankerbasierter zu ankerfreier Erkennung ist ein bedeutender Fortschritt bei der Objekterkennung. Ankerfreie Modelle wie Ultralytics YOLO11 vereinfachen den Prozess und verbessern dadurch sowohl die Genauigkeit als auch die Geschwindigkeit.

Anhand von Ultralytics YOLO11 haben wir gesehen, wie gut die ankerfreie Objekterkennung bei Echtzeitanwendungen wie selbstfahrenden Autos, Videoüberwachung und medizinischer Bildgebung funktioniert, bei denen schnelle und präzise Erkennung entscheidend ist. Dieser Ansatz ermöglicht es YOLO11, sich leichter an unterschiedliche Objektgrößen und komplexe Szenen anzupassen und so in verschiedenen Umgebungen bessere Ergebnisse zu erzielen.

Mit der Weiterentwicklung von Computer Vision wird die Objekterkennung immer schneller, flexibler und effizienter.

Sieh dir unser GitHub-Repository an und tritt unserer engagierten Community bei, um über alles rund um KI auf dem Laufenden zu bleiben. Entdecke, wie Vision AI Bereiche wie die Fertigung und die Landwirtschaft verändert.