Anchor-Free Detectors

Los detectores sin anclajes son modelos de detección de objetos que predicen cada caja delimitadora directamente desde un punto de un mapa de características o desde puntos clave, como las esquinas o el centro de un objeto, sin un conjunto de cajas de anclaje predefinidas. Una ubicación cercana a un objeto predice las distancias desde sí misma hasta los cuatro bordes del objeto; también puede marcarse el centro de un objeto con el máximo de un mapa de calor, y la red predice su anchura y altura mediante regresión. Así se eliminan los tamaños de anclaje, las proporciones y los umbrales de emparejamiento de anclajes que los detectores basados en anclajes deben ajustar para cada conjunto de datos, y las cabezas sin anclajes se han convertido en el diseño estándar para la detección en tiempo real.

Cómo funciona la detección sin anclajes#

Los detectores sin anclajes se dividen en dos familias:

• Detectores basados en puntos, como FCOS: Cada celda de cada nivel del mapa de características es un candidato. FCOS (2019) predice en cada ubicación dentro de un objeto las puntuaciones de clase y cuatro distancias hasta los bordes izquierdo, superior, derecho e inferior, además de una puntuación de centralidad que reduce el peso de las cajas predichas desde puntos alejados del centro del objeto.
• Detectores basados en puntos clave, como CornerNet y CenterNet: CornerNet (2018) predice mapas de calor de las esquinas superior izquierda e inferior derecha y empareja las esquinas que pertenecen al mismo objeto mediante embeddings aprendidos. CenterNet predice un mapa de calor de los centros de los objetos y calcula la anchura y la altura mediante regresión en cada máximo. Extrae los máximos con una operación de max pooling de 3 × 3, por lo que no necesita supresión no máxima (NMS) basada en IoU.

La predicción sin anclajes también precede a los anclajes en la familia YOLO: YOLOv1, en 2015, predijo cajas directamente desde la celda de la cuadrícula que contenía el centro de cada objeto, y la incorporación de cajas de anclaje en YOLOv2 elevó el recall del 81 % al 88 % a costa de 0,3 puntos de mAP. YOLOX recuperó en 2021 el diseño denso basado en puntos para YOLO, y Ultralytics pasó de los anclajes de YOLOv5 a una cabeza sin anclajes en YOLOv8 en 2023, de modo que los conjuntos de datos personalizados ya no necesitan un paso de ajuste de anclajes; YOLO26 mantiene ese diseño.

Para decodificar una predicción densa sin anclajes solo hacen falta la posición de la celda y las cuatro distancias predichas:

import torch

# Center of the grid cell at column 10, row 6 of a stride-16 feature map, in image pixels
stride = 16
point = (torch.tensor([10.0, 6.0]) + 0.5) * stride

# Distances the head predicts from that point to the left, top, right, and bottom box edges, in strides
ltrb = torch.tensor([2.0, 3.5, 1.5, 4.0]) * stride

# Anchor-free decoding: no template box, only the point and four distances
x1, y1 = point - ltrb[:2]
x2, y2 = point + ltrb[2:]
print(f"point {point.tolist()} -> box ({x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f})")

El punto (168, 104) se convierte en la caja (136, 48, 192, 168), de 56 píxeles de anchura y 120 píxeles de altura. Una cabeza densa aplica esta decodificación en cada celda de cada nivel piramidal, por lo que cada celda genera una caja candidata.

Cómo elegir los puntos que aprenden cada objeto#

Sin anclajes que comparar con las cajas etiquetadas mediante la intersección sobre la unión (IoU), un detector sin anclajes necesita otra regla para decidir qué puntos cuentan como muestras positivas de entrenamiento. FCOS usa la posición y el tamaño: un punto es positivo si está dentro de una caja etiquetada y su distancia máxima hasta los bordes de esa caja se encuentra dentro del intervalo del nivel piramidal del punto: de 0 a 64 píxeles en el nivel de stride 8, de 64 a 128 en el de stride 16, y así sucesivamente hasta el de stride 128.

Los detectores posteriores eligen las muestras positivas de forma adaptativa. ATSS demostró que la diferencia de precisión entre RetinaNet, basado en anclajes, y FCOS, que no los usa, se debía principalmente a cómo definía cada uno las muestras positivas y negativas, y que, con la misma regla de muestreo, distribuir varios anclajes por ubicación no aportaba ninguna mejora. La asignación alineada con la tarea, introducida por TOOD y adoptada por PP-YOLOE y muchos detectores en tiempo real posteriores, ordena los puntos dentro de cada objeto según el producto ponderado de la puntuación de clase predicha y el IoU de la caja, y selecciona los primeros como positivos.

Detectores sin anclajes y basados en anclajes#

• Menos hiperparámetros: No es necesario ajustar los tamaños de anclaje, las proporciones ni los umbrales de emparejamiento de IoU para cada conjunto de datos; los detectores basados en anclajes suelen encargarse de ello mediante el agrupamiento k-means de las cajas de entrenamiento.
• Flexibilidad de formas: La asignación basada en puntos depende únicamente de la ubicación de un objeto, así que un objeto cuya forma no se parece a ningún anclaje, como una tubería larga y delgada, sigue obteniendo muestras positivas.
• Vocabulario compartido: Muchos repositorios de código de detectores sin anclajes siguen llamando «puntos de anclaje» a los puntos de su cuadrícula, aunque se refieren a ubicaciones sin tamaño ni proporción.
• Menos predicciones: Cada ubicación predice una caja en vez de una por cada forma de anclaje, por lo que la decodificación y NMS procesan varias veces menos candidatos; los 9 anclajes por ubicación de RetinaNet suman unos 100 000 candidatos por imagen.