Architekturen zur Objekterkennung

Objekterkennungsarchitekturen sind die grundlegenden Entwürfe für Deep-Learning-Modelle, die Objekterkennung durchführen. Bei dieser Aufgabe der Computer Vision (CV) geht es darum, das Vorhandensein und die Position von Objekten in einem Bild oder Video zu identifizieren, in der Regel durch das Zeichnen eines Begrenzungsrahmens (Bounding Box) um sie herum und die Zuweisung einer Klassenbezeichnung. Die Architektur definiert die Struktur des Modells, einschließlich der Art und Weise, wie es visuelle Informationen verarbeitet und Vorhersagen trifft. Die Wahl der Architektur ist von entscheidender Bedeutung, da sie direkten Einfluss auf die Geschwindigkeit, die Genauigkeit und die Rechenanforderungen eines Modells hat.

So funktionieren Architekturen zur Objekterkennung

Die meisten modernen Architekturen zur Objekterkennung bestehen aus drei Hauptkomponenten, die nacheinander arbeiten:

• Backbone: Hierbei handelt es sich um ein neuronales Faltungsnetzwerk (CNN), das häufig mit einem großen Bildklassifizierungsdatensatz wie ImageNet trainiert wird. Seine Hauptaufgabe besteht darin, als Merkmalsextraktor zu fungieren und das Eingabebild in eine Reihe von Merkmalskarten zu konvertieren, die hierarchische visuelle Informationen erfassen. Beliebte Backbone-Netzwerke sind ResNet und CSPDarknet, das in vielen YOLO-Modellen verwendet wird. Weitere Informationen über die Grundlagen von CNNs finden Sie in Quellen wie dem detaillierten Überblick von IBM.
• Nacken: Diese optionale Komponente befindet sich zwischen der Wirbelsäule und dem Kopf. Sie dient der Aggregation und Verfeinerung der vom Backbone erzeugten Feature-Maps, wobei häufig Merkmale aus verschiedenen Maßstäben kombiniert werden, um die Erkennung von Objekten unterschiedlicher Größe zu verbessern. Beispiele hierfür sind Feature Pyramid Networks (FPNs).
• Erkennungskopf: Der Kopf ist die letzte Komponente, die für die Erstellung der Vorhersagen verantwortlich ist. Sie übernimmt die verarbeiteten Merkmalskarten vom Hals (oder direkt vom Rückgrat) und gibt die Klassenwahrscheinlichkeiten und Bounding-Box-Koordinaten für jedes erkannte Objekt aus.

Arten von Architekturen

Die Architekturen zur Objekterkennung werden grob nach ihrem Ansatz zur Vorhersage kategorisiert, was zu einem Kompromiss zwischen Geschwindigkeit und Genauigkeit führt. Sie können detaillierte Modellvergleiche durchführen, um diese Kompromisse in Aktion zu sehen.

• Zweistufige Objektdetektoren: Diese Modelle, wie z. B. die R-CNN-Familie, identifizieren zunächst eine Reihe von möglichen Objektregionen (Regionsvorschläge) und klassifizieren dann jede Region. Dieser zweistufige Prozess kann eine hohe Genauigkeit erreichen, ist aber oft langsamer.
• Einstufige Objektdetektoren: Architekturen wie die Ultralytics YOLO-Familie (You Only Look Once) behandeln die Objekterkennung als ein einziges Regressionsproblem. Sie sagen Bounding Boxes und Klassenwahrscheinlichkeiten direkt aus dem gesamten Bild in einem Durchgang voraus und ermöglichen so Schlussfolgerungen in Echtzeit.
• Ankerfreie Detektoren: Eine neuere Entwicklung innerhalb der einstufigen Detektoren sind ankerfreie Architekturen wie Ultralytics YOLO11, bei denen keine vordefinierten Ankerboxen mehr benötigt werden. Dies vereinfacht den Trainingsprozess und führt oft zu schnelleren, effizienteren Modellen.

Anwendungen in der realen Welt

Architekturen zur Objekterkennung sind die Grundlage für zahlreiche KI-Anwendungen in den verschiedensten Bereichen:

• Autonome Fahrzeuge: Für selbstfahrende Autos ist es wichtig, ihre Umgebung wahrzunehmen, indem sie Fußgänger, andere Fahrzeuge, Verkehrszeichen und Fahrbahnmarkierungen erkennen. Unternehmen wie Waymo verlassen sich stark auf eine ausgeklügelte Objekterkennung. Lesen Sie mehr über KI in selbstfahrenden Autos.
• Sicherheit und Überwachung: Wird in Sicherheitssystemen verwendet, um unbefugten Zugang zu erkennen, Menschenmengen auf ungewöhnliche Aktivitäten zu überwachen oder Gesichtserkennung zu implementieren. Ein praktisches Beispiel finden Sie im Ultralytics Security Alarm System Guide.
• Medizinische Bildanalyse: Unterstützt Radiologen bei der Erkennung von Anomalien wie Tumoren oder Frakturen in Röntgenbildern, CT-Scans und MRTs. Entdecken Sie KI-Lösungen im Gesundheitswesen und spezifische Anwendungen wie die Tumorerkennung mit YOLO11.
• Einzelhandels-Analytik: Ermöglicht Anwendungen wie automatische Kassen, Regalüberwachung und KI für die Bestandsverwaltung.

Werkzeuge und Technologien

Für die Entwicklung und den Einsatz von Modellen, die auf diesen Architekturen beruhen, sind häufig spezielle Tools und Frameworks erforderlich:

• Deep Learning-Frameworks: Bibliotheken wie PyTorch (besuchen Sie die offizielle PyTorch-Website) und TensorFlow (besuchen Sie die TensorFlow-Website) liefern die Kernbausteine.
• Computer Vision Bibliotheken: OpenCV (offizielle Seite: OpenCV.org) bietet eine breite Palette von Funktionen für die Bildverarbeitung und -manipulation.
• Modelle und Plattformen: Ultralytics bietet hochmoderne Ultralytics YOLO-Modelle und die Ultralytics HUB-Plattform an, die den Prozess des Trainings benutzerdefinierter Modelle, der Verwaltung von Datensätzen (wie COCO) und der Bereitstellung von Lösungen vereinfachen.
• Offene Quelle: Viele Architekturen und Tools für die Objekterkennung werden unter Open-Source-Lizenzen entwickelt, was die Zusammenarbeit und Innovation innerhalb der KI-Gemeinschaft fördert. Ressourcen wie GitHub beherbergen zahlreiche Projekte in diesem Bereich.