Detectores Basados en Anclas (Anchor-Based)

Los detectores basados en anclas son una clase fundamental de modelos de detección de objetos en visión artificial. Estos modelos operan utilizando un conjunto predefinido de cajas, conocidas como cajas de anclaje, para identificar y localizar objetos dentro de una imagen. Las cajas de anclaje son esencialmente una cuadrícula de plantillas con varios tamaños y relaciones de aspecto que se distribuyen por toda la imagen. El modelo predice cómo desplazar y escalar estas anclas para que coincidan con los cuadros delimitadores reales de los objetos, junto con una puntuación de confianza que indica la presencia de un objeto. Este enfoque simplifica el problema de encontrar objetos convirtiéndolo en una tarea de regresión y clasificación en relación con estas anclas fijas.

Entre los ejemplos destacados de arquitecturas basadas en anclajes se incluyen la familia R-CNN, como Faster R-CNN, y los primeros detectores de una sola etapa como SSD (Single Shot MultiBox Detector) y muchos modelos YOLO, incluido el exitoso Ultralytics YOLOv5.

Cómo funcionan los detectores basados en anclajes

La idea central detrás de la detección basada en anclajes es utilizar un conjunto de cuadros de referencia predefinidos como punto de partida. Durante el proceso de entrenamiento del modelo, el detector aprende a realizar dos tareas principales para cada cuadro de anclaje:

1. Clasificación: Determinar si un anchor box contiene un objeto de interés o si es solo fondo.
2. Regresión: Calcula los desplazamientos precisos (x, y, ancho, alto) necesarios para ajustar el cuadro delimitador de manera que encierre estrechamente el objeto detectado.

Estas predicciones las realiza el cabezal de detección del modelo después de procesar las características de la imagen extraídas por el backbone. Dado que un solo objeto puede ser detectado por múltiples anchor boxes, se utiliza un paso de post-procesamiento llamado Non-Maximum Suppression (NMS) para filtrar las detecciones redundantes y mantener solo el bounding box que mejor se ajuste. El rendimiento de estos modelos se evalúa a menudo utilizando métricas como mean Average Precision (mAP) e Intersection over Union (IoU).

Detectores basados en anclajes frente a detectores sin anclajes

En los últimos años, los detectores sin anclaje han surgido como una alternativa popular. A diferencia de los modelos basados en anclajes, los enfoques sin anclajes predicen las ubicaciones y los tamaños de los objetos directamente, a menudo identificando puntos clave (como los centros o las esquinas de los objetos) o prediciendo las distancias desde un punto a los límites del objeto, eliminando la necesidad de formas de anclaje predefinidas.

Las diferencias clave incluyen:

• Complejidad: Los modelos basados en anclajes requieren un diseño y ajuste cuidadosos de los parámetros de anclaje (tamaños, relaciones, escalas), que pueden depender del conjunto de datos. Los modelos sin anclajes simplifican el diseño del encabezado de detección.
• Flexibilidad: Los métodos sin anclaje pueden adaptarse mejor a objetos con relaciones de aspecto o formas inusuales que no están bien representadas por el conjunto de anclajes fijos.
• Eficiencia: Eliminar los anchors puede reducir el número de predicciones que el modelo necesita hacer, lo que podría conducir a una inferencia más rápida y un post-procesamiento más simple.

Si bien los detectores basados en anclajes como YOLOv4 tuvieron mucho éxito, muchas arquitecturas modernas, incluido Ultralytics YOLO11, han adoptado diseños sin anclajes para aprovechar sus ventajas en simplicidad y eficiencia. Puede explorar las ventajas de la detección sin anclajes en YOLO11 y ver comparaciones entre diferentes modelos de YOLO.

Aplicaciones en el mundo real

Los detectores basados en anclas se utilizan ampliamente en diversas aplicaciones donde los objetos tienen formas y tamaños relativamente estándar.

• Conducción autónoma: En las soluciones para la industria automotriz, estos detectores son excelentes para identificar vehículos, peatones y señales de tráfico. Las formas predecibles de estos objetos se alinean bien con los anclajes predefinidos, lo que permite una detección fiable para empresas como NVIDIA y Tesla.
• Análisis minorista: Para la gestión de inventario impulsada por IA, los modelos basados en anclajes pueden escanear eficientemente los estantes para contar los productos. El tamaño y la forma uniformes de los productos envasados los convierten en candidatos ideales para este enfoque, lo que ayuda a automatizar el control de las existencias.
• Seguridad y Vigilancia: La identificación de personas o vehículos en grabaciones de cámaras de vigilancia fijas es otro caso de uso sólido. Esto es fundamental para aplicaciones como la guía del sistema de alarma de seguridad de Ultralytics.

Herramientas y formación

El desarrollo y la implementación de modelos de detección de objetos, ya sean basados en anclas o sin anclas, implica el uso de frameworks como PyTorch o TensorFlow y bibliotecas como OpenCV. Plataformas como Ultralytics HUB ofrecen flujos de trabajo optimizados para el entrenamiento de modelos personalizados, la gestión de conjuntos de datos y la implementación de soluciones, lo que permite el soporte de diversas arquitecturas de modelos. Para seguir aprendiendo, recursos como Papers With Code enumeran modelos de última generación, y los cursos de plataformas como DeepLearning.AI cubren conceptos fundamentales.