Anchor Boxes

Los anchor boxes son rectángulos de referencia predefinidos con proporciones y escalas específicas que se colocan en una imagen para ayudar a los modelos de detección de objetos a ubicar y clasificar objetos. En lugar de pedirle a una red neuronal que prediga el tamaño y la posición exacta de un objeto desde cero —lo cual puede ser inestable debido a la gran variedad de formas de los objetos—, el modelo utiliza estas plantillas fijas como punto de partida. Al aprender a predecir cuánto debe ajustar, o «regresar», estas cajas iniciales para que se adapten al ground truth, el sistema puede lograr una convergencia más rápida y una mayor precisión. Esta técnica transformó fundamentalmente el campo de computer vision (CV) al simplificar la compleja tarea de localización en un problema de optimización más manejable.

El mecanismo de las cajas de anclaje#

En los anchor-based detectors clásicos, la imagen de entrada se divide en una cuadrícula de celdas. En la ubicación de cada celda, la red genera múltiples anchor boxes con diferentes geometrías. Por ejemplo, para detectar simultáneamente a un peatón alto y a un coche ancho, el modelo podría proponer una caja alta y estrecha y otra baja y ancha en el mismo punto central.

Durante el model training, estas anclas se comparan con objetos reales utilizando una métrica llamada Intersection over Union (IoU). Las anclas que se solapan significativamente con un objeto etiquetado se designan como muestras «positivas». A continuación, la red aprende dos tareas paralelas:

1. Clasificación: Asigna una puntuación de probabilidad al ancla, indicando la probabilidad de que contenga una clase específica (por ejemplo, «perro» o «bicicleta»). Esto utiliza objetivos estándar de supervised learning como la pérdida de entropía cruzada.

2. Regresión de cajas: Calcula los valores de desplazamiento precisos (cambios de coordenadas y factores de escala) necesarios para transformar el ancla genérica en un bounding box ajustado.

Este enfoque permite que el modelo maneje múltiples objetos de diferentes tamaños situados cerca unos de otros, ya que cada objeto puede asignarse al anclaje que mejor se adapte a su forma.

Aplicaciones en el mundo real#

Aunque las arquitecturas más nuevas se están moviendo hacia diseños sin anclajes, las cajas de anclaje siguen siendo vitales en muchos sistemas de producción establecidos donde las características de los objetos son predecibles.

• Venta al por menor y gestión de inventario: En las AI-driven retail solutions, las cámaras supervisan las existencias en los estantes. Dado que productos como las cajas de cereales o las latas de refresco tienen dimensiones estandarizadas, los anchor boxes se pueden ajustar a estas proporciones específicas. Este conocimiento previo ayuda a que el modelo mantenga un alto recall incluso en entornos saturados.
• Conducción autónoma: Las pilas de percepción en los autonomous vehicles dependen de la detección de peatones, vehículos y señales de tráfico. Debido a que un coche visto desde la distancia tiene un perfil de forma relativamente consistente en comparación con la carretera, el uso de anclas adaptadas a estas formas garantiza un object tracking y una estimación de distancia robustos.

Basado en anclajes frente a sin anclajes#

Es importante distinguir entre los métodos tradicionales basados en anclas y los modernos anchor-free detectors.

• Basado en Anchor: Modelos como el Faster R-CNN original o las primeras versiones de YOLO (por ejemplo, Ultralytics YOLOv5) utilizan estas plantillas predefinidas. Son robustas, pero a menudo requieren un ajuste manual de hiperparámetros (tamaños/relaciones de aspect de anchor) o algoritmos de agrupamiento como el k-means clustering para adaptarse a nuevos conjuntos de datos.
• Sin anclaje: Los modelos avanzados, incluido YOLO26, suelen emplear enfoques sin anclaje o de extremo a extremo. Estas redes predicen los centros de los objetos o los puntos clave directamente, eliminando la necesidad de una configuración manual de las anclas. Esto simplifica la arquitectura y acelera la inference al eliminar el cálculo necesario para procesar miles de anclas de fondo vacías.

Ejemplo: Acceso a la información de anclaje#

Si bien las APIs modernas de alto nivel como la Ultralytics Platform abstraen estos detalles durante el entrenamiento, comprender las anclas es útil cuando se trabaja con arquitecturas de modelos más antiguas o al analizar archivos de configuración de modelos. El siguiente fragmento demuestra cómo cargar un modelo e inspeccionar su configuración, donde normalmente se definirían los ajustes de las anclas (si están presentes).

from ultralytics import YOLO

# Load a pre-trained YOLO model (YOLO26 is anchor-free, but legacy configs act similarly)
model = YOLO("yolo26n.pt")

# Inspect the model's stride, which relates to grid cell sizing in detection
print(f"Model strides: {model.model.stride}")

# For older anchor-based models, anchors might be stored in the model's attributes
# Modern anchor-free models calculate targets dynamically without fixed boxes
if hasattr(model.model, "anchors"):
    print(f"Anchors: {model.model.anchors}")
else:
    print("This model architecture is anchor-free.")

Desafíos y consideraciones#

Aunque son eficaces, los anchor boxes introducen complejidad. La gran cantidad de anclas generadas —a menudo decenas de miles por imagen— crea un problema de desequilibrio de clases, ya que la mayoría de las anclas cubren solo el fondo. Se utilizan técnicas como Focal Loss para mitigar esto reduciendo la ponderación de los ejemplos de fondo fáciles. Además, la salida final suele requerir Non-Maximum Suppression (NMS) para filtrar las cajas redundantes superpuestas, asegurando que solo permanezca la detección con mayor confianza para cada objeto.