Detectores de objetos de dos etapas

Los detectores de objetos en dos etapas son una clase de modelos de visión por ordenador que identifican y localizan objetos en una imagen o vídeo mediante un proceso secuencial en dos etapas. Esta metodología es conocida por su gran precisión, sobre todo a la hora de localizar objetos con exactitud, aunque a menudo tiene el coste de una mayor latencia de inferencia. La idea fundamental es identificar primero las posibles zonas de interés y, a continuación, realizar una clasificación y localización detalladas sólo en esas regiones prometedoras.

El proceso en dos fases

El funcionamiento de un detector de dos etapas se divide en distintas fases secuenciales:

1. Generación de propuestas de regiones: En la primera etapa, el modelo escanea la imagen para generar un conjunto de regiones candidatas, conocidas como "regiones de interés" (RoI) o propuestas, que probablemente contengan un objeto. Para ello se utiliza un submódulo denominado Red de Propuestas Regionales (RPN), conocido por su arquitectura Faster R-CNN. El objetivo de esta etapa no es clasificar los objetos, sino simplemente reducir el número de ubicaciones que debe analizar la segunda etapa.

2. Clasificación de objetos y refinamiento de los límites: En la segunda etapa, cada región propuesta se pasa a un cabezal de clasificación y a un cabezal de regresión. La cabeza de clasificación determina la clase del objeto dentro del RoI (por ejemplo, "persona", "coche", "perro") o lo designa como fondo. Al mismo tiempo, el cabezal de regresión refina las coordenadas del cuadro delimitador para ajustarlas al objeto con mayor precisión. Este análisis centrado en regiones preseleccionadas permite al modelo alcanzar una gran precisión de localización.

Detectores de dos etapas frente a detectores de una etapa

La principal diferencia radica en su proceso operativo. Los detectores de dos etapas separan las tareas de localización y clasificación, mientras que los detectores de objetos de una etapa realizan ambas tareas simultáneamente en una sola pasada.

• Detectores de dos etapas (por ejemplo, la familia R-CNN): Priorizan la precisión. El proceso en dos etapas permite una extracción y un refinamiento más detallados de las características de cada objeto potencial, lo que se traduce en un mejor rendimiento en escenas complejas con muchos objetos pequeños o superpuestos. Su complejidad, sin embargo, los hace computacionalmente intensivos y más lentos.
• Detectores de una etapa (por ejemplo, Ultralytics YOLO, SSD): Priorizan la velocidad y la eficiencia. Al tratar la detección de objetos como un único problema de regresión, consiguen velocidades de inferencia en tiempo real adecuadas para aplicaciones en dispositivos de IA periférica. Aunque los modelos modernos de una etapa, como YOLO11, han reducido considerablemente la diferencia de precisión, los detectores de dos etapas siguen siendo preferibles para tareas que exigen la máxima precisión posible.

Arquitecturas destacadas

La evolución de los detectores de dos etapas ha estado marcada por varios modelos influyentes:

• R-CNN (red neuronal convolucional basada en regiones): El modelo pionero que propuso por primera vez utilizar propuestas de regiones con una red neuronal convolucional (CNN). Utilizaba un algoritmo externo llamado Búsqueda Selectiva para generar propuestas.
• R-CNN rápida: Una mejora que procesaba toda la imagen a través de una CNN una sola vez, compartiendo el cálculo y acelerando el proceso significativamente.
• R-CNN más rápida: Introdujo la red de propuesta de región (RPN), integrando el mecanismo de propuesta de región en la propia red neuronal para una solución de aprendizaje profundo de extremo a extremo.
• Máscara R-CNN: Amplía Faster R-CNN añadiendo una tercera rama que genera una máscara a nivel de píxel para cada objeto, lo que permite la segmentación de instancias.

Aplicaciones reales

La gran precisión de los detectores de dos etapas los hace valiosos en situaciones en las que la precisión es primordial:

• Análisis de imágenes médicas: La detección de anomalías sutiles como pequeños tumores, lesiones o pólipos en exploraciones médicas (TC, RM) requiere una gran precisión para ayudar al diagnóstico. La localización exacta es fundamental para planificar el tratamiento. Más información sobre la IA en la atención sanitaria y la investigación en revistas como Radiology: Artificial Intelligence. Puede explorar conjuntos de datos como el de tumores cerebrales para tareas relacionadas.
• Conducción autónoma: Detectar y localizar con precisión peatones, ciclistas, otros vehículos y señales de tráfico, especialmente las pequeñas o parcialmente ocluidas, es crucial para los sistemas de seguridad de los coches de conducción autónoma. Empresas como Waymo dependen en gran medida de sistemas de percepción robustos.
• Comprensión detallada de la escena: Las aplicaciones que requieren una comprensión detallada de las interacciones de los objetos o un recuento preciso se benefician de una mayor precisión.
• Control de calidad en la fabricación: Identificar pequeños defectos o verificar la colocación de componentes en ensamblajes complejos a menudo exige una gran precisión. Más información sobre la IA en la fabricación.

El entrenamiento de estos modelos suele requerir grandes conjuntos de datos etiquetados, como el conjunto de datos COCO, y un cuidadoso ajuste. Ultralytics proporciona recursos para el entrenamiento de modelos y la comprensión de las métricas de rendimiento. Aunque Ultralytics se centra en modelos eficientes de una etapa, como Ultralytics YOLO, la comprensión de los detectores de dos etapas proporciona un contexto valioso dentro del campo más amplio de la detección de objetos.