Les avantages du fait qu'Ultralytics YOLO11 soit un détecteur sans ancres

Si l'on jette un coup d'œil à la history of Vision AI models, le concept de la détection d'objets — une tâche essentielle en vision par ordinateur qui consiste à identifier et localiser des objets dans une image ou une vidéo — existe depuis les années 1960. Cependant, la raison principale de son importance dans les innovations de pointe d'aujourd'hui est que les techniques de détection d'objets et les architectures de modèles ont évolué et se sont améliorées rapidement depuis lors.

Dans un article précédent, nous avons discuté de l'evolution of object detection et de la route qui a mené aux modèles Ultralytics YOLO. Aujourd'hui, nous allons nous concentrer sur l'exploration d'une étape plus spécifique de ce parcours : le passage des détecteurs basés sur des ancres aux détecteurs sans ancres.

Les détecteurs basés sur des ancres reposent sur des boîtes prédéfinies, appelées « ancres », pour prédire où se trouvent les objets dans une image. En revanche, les anchor-free detectors ignorent ces boîtes prédéfinies et prédisent directement l'emplacement des objets.

Bien que ce changement puisse sembler simple et logique, il a en réalité conduit à des améliorations majeures en matière de précision et d'efficacité de la détection d'objets. Dans cet article, nous allons comprendre comment les détecteurs sans ancres ont remodelé la vision par ordinateur grâce à des avancées telles que Ultralytics YOLO11.

Qu'est-ce que les détecteurs basés sur des ancres ?#

Les Anchor-based detectors utilisent des boîtes prédéfinies, connues sous le nom d'ancres, pour aider à localiser des objets dans une image. Pensez à ces ancres comme à une grille de boîtes de différentes tailles et formes superposées à l'image. Le modèle ajuste ensuite ces boîtes pour qu'elles correspondent aux objets qu'il détecte. Par exemple, si le modèle identifie une voiture, il modifiera la boîte d'ancre pour qu'elle corresponde plus précisément à la position et à la taille de la voiture.

Chaque ancre est associée à un objet potentiel dans l'image, et pendant l'training, le modèle apprend à ajuster les boîtes d'ancres pour mieux correspondre à l'emplacement, à la taille et au rapport hauteur/largeur de l'objet. Cela permet au modèle de detect objects à différentes échelles et orientations. Cependant, la sélection du bon ensemble de boîtes d'ancres peut prendre du temps, et le processus de réglage fin peut être sujet à des erreurs.

Fig 1. Qu'est-ce qu'une boîte d'ancre ?

Bien que les détecteurs basés sur des ancres, comme YOLOv4, aient bien fonctionné dans de nombreuses applications, ils présentent certains inconvénients. Par exemple, les boîtes d'ancres ne s'alignent pas toujours bien avec des objets de formes ou de tailles différentes, ce qui rend plus difficile pour le modèle de détecter de petits objets ou des objets de formes irrégulières. Le processus de sélection et de réglage fin des tailles de boîtes d'ancres peut également prendre du temps et nécessite beaucoup d'efforts manuels. En outre, les modèles basés sur des ancres ont souvent du mal à détecter des objets occultés ou qui se chevauchent, car les boîtes prédéfinies peuvent ne pas s'adapter correctement à ces scénarios plus complexes.

Le passage à la détection d'objets sans ancres#

Les détecteurs sans ancres ont commencé à attirer l'attention en 2018 avec des modèles comme CornerNet et CenterNet, qui ont adopté une nouvelle approche de la détection d'objets en éliminant le besoin de boîtes d'ancrage prédéfinies. Contrairement aux modèles traditionnels qui s'appuient sur des boîtes d'ancrage de différentes tailles et formes pour prédire où se trouvent les objets, les modèles sans ancres prédisent directement les emplacements des objets. Ils se concentrent sur des points clés ou des caractéristiques de l'objet, comme le centre, ce qui simplifie le processus de détection et le rend plus rapide et plus précis.

Voici comment fonctionnent généralement les modèles sans ancres :

• Keypoint detection : Au lieu d'utiliser des boîtes prédéfinies, certains modèles identifient des points importants sur un objet, comme le centre ou des coins spécifiques. Ces points clés aident les modèles à déterminer où se trouve l'objet et quelle est sa taille.
• Center prediction : Certains modèles se concentrent sur la prédiction du centre d'un objet. Une fois le centre localisé, le modèle peut prédire la taille et la position de l'objet entier à partir de celui-ci.
• Heatmap regression : De nombreux modèles sans ancres utilisent des heatmaps, où chaque pixel représente un emplacement possible d'un objet. Des valeurs de heatmap plus élevées indiquent une plus grande confiance dans la présence d'un objet à ce point.

Fig 2. Détection basée sur des ancres vs détection sans ancres.

Parce que les modèles sans ancres ne reposent pas sur des boîtes d'ancrage, ils ont une conception plus simple. Cela signifie qu'ils sont plus efficaces sur le plan informatique. Comme ils n'ont pas à traiter plusieurs boîtes d'ancrage, ils peuvent détecter les objets plus rapidement - un avantage important dans les applications en temps réel comme la conduite autonome et la vidéosurveillance.

Les modèles sans ancres sont également beaucoup plus performants pour gérer les petits objets, les objets irréguliers ou occultés. Puisqu'ils se concentrent sur la détection de points clés plutôt que d'essayer d'ajuster des boîtes d'ancres, ils sont beaucoup plus flexibles. Cela leur permet de accurately détecter des objets dans des environnements encombrés ou complexes où les modèles basés sur des ancres peuvent échouer.

Ultralytics YOLO11 : Un détecteur sans ancres#

Conçus à l'origine pour la vitesse et l'efficacité, les modèles YOLO sont progressivement passés des méthodes basées sur les ancres à la détection sans ancrage, rendant des modèles comme Ultralytics YOLO11 plus rapides, plus flexibles et mieux adaptés à un large éventail d'applications en temps réel.

Voici un aperçu rapide de la façon dont la conception sans ancres a évolué à travers les différentes versions de YOLO :

• Ultralytics YOLOv5u : A introduit la tête Ultralytics divisée sans ancres (Anchor-Free Split Ultralytics Head), supprimant le besoin de boîtes d'ancres prédéfinies. Au lieu de cela, le modèle prédit directement où se trouvent les objets dans une image, simplifiant le processus et améliorant la flexibilité et la vitesse.
• YOLOv6 : Une nouvelle méthode appelée entraînement assisté par ancres (Anchor-Aided Training - AAT) a été utilisée, où les ancres n'étaient utilisées que pendant l'entraînement. Cela a permis au modèle de bénéficier de la structure des méthodes basées sur des ancres pendant l'entraînement, tout en utilisant la détection sans ancres lors de l'exécution pour une meilleure vitesse et une plus grande adaptabilité.
• Ultralytics YOLOv8 : Passage complet à la détection sans ancres en utilisant la tête Ultralytics divisée sans ancres. Cela a rendu le modèle plus rapide et plus précis, en particulier pour les petits objets ou les objets de formes inhabituelles qui ne s'ajustent pas bien avec les boîtes d'ancres.
• Ultralytics YOLO11 : S'appuie sur l'approche sans ancres de YOLOv8, optimisant encore davantage la détection en éliminant complètement les boîtes d'ancres. Il en résulte une détection plus rapide et plus précise pour les applications en temps réel telles que l'animal behavior monitoring et l'analyse de détail.

Fig 3. Comparaison d'Ultralytics YOLOv8 et d'Ultralytics YOLO11.

Applications concrètes d'Ultralytics YOLO11#

Un excellent exemple des avantages de la détection sans ancrage avec Ultralytics YOLO11 se trouve dans les autonomous vehicles. Dans les voitures autonomes, détecter rapidement et précisément les piétons, les autres véhicules et les obstacles est crucial pour la sécurité. L'approche sans ancrage de YOLO11 simplifie le processus de détection en prédisant directement les points clés des objets, comme le centre d'un piéton ou les limites d'un autre véhicule, plutôt que de s'appuyer sur des boîtes d'ancrage prédéfinies.

Fig 4. Avantages de la détection sans ancrage dans Ultralytics YOLO11 (Image de l'auteur).

Ultralytics YOLO11 n'a pas besoin d'ajuster ou d'adapter une grille d'ancres à chaque objet, ce qui peut s'avérer lourd en calculs et lent. Au lieu de cela, il se concentre sur les caractéristiques clés, le rendant plus rapide et plus efficace. Par exemple, lorsqu'un piéton surgit sur la trajectoire du véhicule, YOLO11 peut identifier rapidement sa position en repérant des points clés, même si la personne est partiellement cachée ou en mouvement. La capacité à s'adapter à des formes et des tailles variables sans boîtes d'ancrage permet à YOLO11 de détecter les objets de manière plus fiable et à des vitesses plus élevées, ce qui est vital pour la prise de décision en temps réel dans les systèmes de conduite autonome.

Parmi les autres applications où les capacités sans ancrage d'Ultralytics YOLO11 se distinguent vraiment, on trouve :

• Retail and inventory management : Ultralytics YOLO11 te facilite la surveillance des produits sur les étagères, même lorsqu'ils sont empilés ou partiellement bloqués. Cela aide à un suivi des stocks plus rapide et plus précis et réduit les erreurs.
• Medical imaging : YOLO11 est également efficace dans les soins de santé, où il peut détecter des tumeurs ou d'autres anomalies dans les examens médicaux. Sa capacité à traiter des objets de formes irrégulières aide à améliorer la précision du diagnostic de pathologies complexes.
• Wildlife monitoring : En recherche sur la faune, Ultralytics YOLO11 peut suivre les animaux dans des forêts denses ou des terrains difficiles, aidant les chercheurs à surveiller le comportement ou à protéger les espèces en voie de disparition.
• Sports analytics : Ultralytics YOLO11 peut être utilisé pour suivre les joueurs, les mouvements de balles ou d'autres éléments en temps réel lors d'événements sportifs afin de fournir des informations précieuses aux équipes, entraîneurs et diffuseurs.

Considérations à prendre en compte lors du travail avec des modèles sans ancres#

Bien que les modèles sans ancrage comme Ultralytics YOLO11 offrent de nombreux avantages, ils comportent certaines limitations. L'une des principales considérations pratiques à prendre en compte est que même les modèles sans ancrage peuvent avoir du mal avec les occlusions ou les objets très superposés. La logique derrière cela est que la vision par ordinateur vise à reproduire la vision humaine, et tout comme nous avons parfois du mal à identifier des objets occultés, les modèles d'IA peuvent faire face à des défis similaires.

Un autre facteur intéressant concerne le traitement des prédictions du modèle. Bien que l'architecture des modèles sans ancres soit plus simple que celle des modèles basés sur des ancres, un affinement supplémentaire devient nécessaire dans certains cas. Par exemple, des techniques de post-traitement telles que la non-maximum suppression (NMS) peuvent être requises pour nettoyer les prédictions qui se chevauchent ou pour améliorer la précision dans des scènes encombrées.

Jeter les bases de l'avenir de l'IA avec Ultralytics YOLO11#

Le passage de la détection basée sur des ancres à la détection sans ancrage a été une avancée significative dans la détection d'objets. Avec des modèles sans ancrage comme Ultralytics YOLO11, le processus est simplifié, ce qui entraîne des améliorations tant en termes de précision que de vitesse.

À travers Ultralytics YOLO11, nous avons vu comment la détection d'objets sans ancrage excelle dans les applications en temps réel telles que les voitures autonomes, la vidéosurveillance et l'imagerie médicale, où une détection rapide et précise est cruciale. Cette approche permet à YOLO11 de s'adapter plus facilement à des tailles d'objets variables et à des scènes complexes, offrant de meilleures performances dans des environnements divers.

À mesure que la vision par ordinateur continue d'évoluer, la détection d'objets ne fera que devenir plus rapide, plus flexible et plus efficace.

Explore notre GitHub repository et rejoins our engaging community pour rester à la page sur tout ce qui concerne l'IA. Découvre l'impact de la vision par IA sur des secteurs tels que la manufacturing et l'agriculture.