One-Stage Object Detectors

Einstufige Objektdetektoren sind Modelle zur Objekterkennung, die die Bounding Boxes und Klassenbezeichnungen aller Objekte in einem Bild mit einem einzigen Vorwärtsdurchlauf durch ein Netzwerk vorhersagen. Dabei wird gleichzeitig ein dichtes Raster möglicher Positionen ausgewertet. Es gibt keinen separaten Schritt zur Regionsvorschlagserzeugung: Zweistufige Objektdetektoren schlagen zuerst Regionen vor, die wahrscheinlich ein Objekt enthalten, und wenden dann auf jede Region einen zweiten Kopf an. Durch den Wegfall dieses Schritts wurden einstufige Detektoren zur Grundlage der Echtzeit-Erkennung – von YOLO, dessen Basismodell 2015 mit 45 Bildern pro Sekunde lief, bis zu aktuellen Modellen.

Funktionsweise einstufiger Detektoren#

Ein Backbone wandelt das Bild in Merkmalskarten um. Ein Neck führt sie über verschiedene Maßstäbe zusammen, und ein dichter Detektionskopf sagt an jeder Position jeder Maßstabsebene Klassenwerte und eine Box voraus. Frühe einstufige Modelle wie SSD, YOLOv2 und RetinaNet sagten für jede Position Abweichungen zu mehreren Ankerboxen voraus. Seit FCOS im Jahr 2019 sagen die meisten Modelle die Abstände jeder Position zu den vier Boxkanten voraus – das Prinzip ankerfreier Detektoren. Es entstehen Tausende möglicher Boxen. Ein Konfidenzschwellenwert und die Nicht-Maximum-Unterdrückung (NMS) reduzieren diese auf eine Box pro Objekt. Alternativ gibt ein mit One-to-One-Zuordnung trainierter Kopf direkt eine Box pro Objekt aus.

Ein einstufiger Detektor wird mit einem einzigen Aufruf ausgeführt. Die Aufschlüsselung der Laufzeit zeigt einen einzelnen Netzdurchlauf:

from ultralytics import YOLO

# Load YOLO26n, a one-stage detector pretrained on the 80 COCO classes
model = YOLO("yolo26n.pt")

# One forward pass predicts the box and class of every object in the image
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
print(f"{len(result.boxes)} objects: {[result.names[int(c)] for c in result.boxes.cls]}")

# Milliseconds for resizing the image, the single network pass, and NMS
print(result.speed)

result.speed führt drei Schritte auf: Vorverarbeitung, Inferenz und Nachverarbeitung. Der einzelne Inferenzdurchlauf erfasst alle Objekte im Bild.

Einstufige und zweistufige Detektoren im Vergleich#

Beide Architekturen nutzen dasselbe Backbone und denselben Neck. Ein zweistufiger Detektor führt anschließend ein Regionsvorschlagsnetzwerk aus, das einige Hundert Kandidatenregionen auswählt, die Merkmale jeder Region zuschneidet und jeden Ausschnitt an einen zweiten Kopf weitergibt, der ihn klassifiziert und verfeinert. Ein einstufiger Detektor ersetzt diese Schritte durch einen einzelnen dichten Kopf über alle Rasterpositionen hinweg.

Die R-CNN-Familie führte jahrelang bei der Erkennungsgenauigkeit: Faster R-CNN verfeinert etwa 300 Vorschläge pro Bild und erreichte mit einem VGG-16-Backbone 5 FPS. Einstufige Detektoren waren deutlich schneller, aber weniger genau, bis RetinaNet 2017 die Ursache dieser Lücke aufzeigte: das Ungleichgewicht zwischen Vorder- und Hintergrund. Ein dichter Detektor wertet etwa 100.000 mögliche Positionen pro Bild aus, von denen fast alle Hintergrund sind. Diese einfachen negativen Beispiele dominieren eine standardmäßige Verlustfunktion. Die Focal Loss gewichtet sie geringer. So erreichte RetinaNet die Geschwindigkeit früherer einstufiger Detektoren und übertraf zugleich die Genauigkeit der damaligen zweistufigen Detektoren. Transformer-Detektoren wie DETR und RT-DETR laufen ebenfalls als ein Netzwerk und sagen mit One-to-One-Zuordnung eine Menge fester Größe an Boxen voraus.

Anwendungen in der Praxis#

• Verkehrs- und Videoanalysen: Detektoren werden für jedes Bild jedes Kamerastreams ausgeführt, um Fahrzeuge zu zählen, Verkehrsströme zu messen und Objekttracker mit Daten zu versorgen.
• Qualitätsprüfung in der Fertigung: Kameras an der Produktionslinie erkennen Fehler und fehlende Bauteile an Teilen, die innerhalb von Sekundenbruchteilen an der Kamera vorbeilaufen.
• Drohnen und eingebettete Geräte: Ein einziges kleines Netzwerk passt in das Rechenleistungs- und Energiebudget einer Drohne, eines Smartphones oder einer intelligenten Kamera.

Grundideen moderner einstufiger Detektoren#

• Feature-Pyramid-Netzwerke (FPN): Vorhersagen aus mehreren Auflösungen ermöglichen es feinen Merkmalskarten, kleine Objekte und groben Merkmalskarten, große Objekte zu erkennen.
• Focal Loss: Durch die geringere Gewichtung einfacher Hintergrundkandidaten wurde das Klassenungleichgewicht behoben, das frühe dichte Detektoren beeinträchtigte.
• Labelzuweisung: Methoden wie SimOTA und die auf Aufgaben ausgerichtete Zuordnung wählen während des Trainings anhand der Vorhersagen selbst die positiven Positionen für jedes Objekt aus.
• NMS-freie Köpfe: Ein mit One-to-One-Zuordnung trainierter Kopf gibt eine Box pro Objekt aus und macht so einen Nachverarbeitungsschritt überflüssig, dessen Kosten mit der Zahl der Kandidaten steigen.

YOLO26 ist ein einstufiger, ankerfreier Detektor mit beiden Kopfvarianten: Standardmäßig wendet er NMS an, und nms=False schaltet auf den Eins-zu-eins-Kopf um. YOLO26n erreicht auf COCO mit NMS einen mAP_50-95 von 40,9 und ohne NMS einen Wert von 40,1 bei 1,7 ms pro Bild auf einer NVIDIA T4 GPU mit TensorRT.