Détecteurs basés sur des ancres

Les détecteurs basés sur l'ancrage sont une classe fondamentale de modèles utilisés en vision artificielle (CV) pour résoudre le problème de la détection d'objets. Ces systèmes s'appuient sur un d'un ensemble prédéfini de boîtes de délimitation, connues sous le nom de boîtes d'ancrage, qui agissent comme des modèles de référence sur une image. Au lieu d'essayer de prédire l'emplacement d'un objet à partir de zéro, le réseau calcule de combien de déplacer et de mettre à l'échelle ces boîtes d'ancrage fixes pour qu'elles s'adaptent parfaitement aux objets de la scène. Cette approche convertit essentiellement la complexe de la localisation en un problème de régression structuré, offrant ainsi un point de départ stable aux modèles d'apprentissage profond (DL). d'apprentissage profond (DL) pour apprendre les hiérarchies hiérarchies spatiales.

Mécanismes de détection basés sur l'ancrage

Le flux de travail d'un détecteur basé sur les ancres consiste à générer une grille dense d'ancres sur l'image d'entrée, chacune avec des échelles et des rapports d'aspect variables pour capturer des objets de tailles et de formes différentes. d'échelle et d'aspect pour capturer des objets de tailles et de formes différentes. Au fur et à mesure que l'image traverse l'ossature du modèle, des cartes de caractéristiques sont extraites et analysées. les cartes de caractéristiques sont extraites et analysées. Pour chaque emplacement d'ancre, la tête de détection tête de détection effectue deux prédictions simultanées simultanées :

1. Classification : Le modèle attribue un score de probabilité indiquant si l'ancre contient une classe spécifique d'objets ou s'il s'agit simplement d'un bruit de fond. classe d'objet spécifique ou s'il s'agit simplement d'un bruit de fond.
2. Régression de la boîte englobante : Le modèle prédit les valeurs de décalage (coordonnées du centre, de la largeur et de la hauteur) pour ajuster les dimensions de l'ancre afin qu'elle corresponde à la boîte de délimitation de la de vérité au sol.

Lors de l'apprentissage d'un modèle, les algorithmes utilisent une métrique appelée Intersection sur Union (IoU) pour déterminer les ancres qui se chevauchent suffisamment avec des objets connus. Seules les ancres ayant l'IoU le plus élevé sont traitées comme des échantillons positifs. échantillons positifs. Comme ce processus génère des milliers de boîtes candidates, une étape de post-traitement appelée Suppression non maximale (NMS ) est appliquée est appliquée pour supprimer les chevauchements redondants et ne conserver que les détections les plus précises.

Architectures avec ou sans ancrage

Il est important de distinguer ces modèles de la génération moderne de détecteurs sans ancrage. détecteurs sans ancrage. Alors que les systèmes basés sur l'ancrage comme le R-CNN plus rapide d' origine et le Ultralytics YOLOv5 s'appuient sur un réglage manuel des dimensions de l'ancrage, les modèles sans ancrage les modèles sans ancrage prédisent directement les centres des objets ou les points clés.

• Basé sur l'ancrage : Nécessite la définition d'hyperparamètres pour la taille des ancres et les ratios, qui peuvent être sensibles à des ensembles de données spécifiques. sensibles à des ensembles de données spécifiques. Ils sont historiquement robustes pour les objets standards.
• Sans ancrage : élimine le besoin de boîtes prédéfinies, ce qui simplifie l'architecture et réduit les frais généraux de calcul. de calcul. L'état de l'art Ultralytics YOLO11 utilise une approche sans ancrage pour pour atteindre une vitesse et une flexibilité supérieures, en particulier pour les objets à géométrie irrégulière. Pour en savoir plus les avantages de la conception sans ancrage de YOLO11 sur notre blog.

Applications concrètes

Malgré l'essor de nouvelles méthodes, les détecteurs basés sur l'ancrage restent prédominants dans de nombreux pipelines établis où les formes d'objets sont cohérentes et prévisibles. formes d'objets sont cohérentes et prévisibles.

• Conduite autonome : Dans le cadre du développement des véhicules autonomes, les systèmes doivent détecter detect voitures, les camions et les panneaux de signalisation. Étant donné que les véhicules conservent généralement des rapports d'aspect cohérents, les modèles sont efficaces pour les piles de perception utilisées par les leaders de l'industrie tels que Waymo et Mobileye.
• Gestion des stocks dans le commerce de détail : Pour l 'IA dans le commerce de détail, les caméras surveillent track les niveaux de stock. Les produits tels que les boîtes de céréales ou les canettes de boissons ont des formes standardisées qui s'alignent parfaitement sur les modèles d'ancrage réglés, ce qui permet un comptage et un contrôle de haute précision. d'ancrage, ce qui permet un comptage et un suivi des objets de le suivi des objets.

Mise en œuvre avec Ultralytics

Vous pouvez facilement expérimenter la détection d'objets à l'aide de la fonction ultralytics de l'emballage. Bien que les derniers modèles sont exempts d'ancrage, le cadre prend en charge une variété d'architectures. L'exemple suivant montre comment exécuter l'inférence sur une image à l'aide d'un modèle pré-entraîné sur une image en utilisant un modèle pré-entraîné :

from ultralytics import YOLO

# Load a pre-trained object detection model
# Note: YOLOv5 is a classic example of an anchor-based architecture
model = YOLO("yolov5su.pt")

# Perform inference on a local image
results = model("path/to/image.jpg")

# Display the resulting bounding boxes and class labels
results[0].show()

Comprendre les mécanismes des détecteurs à base d'ancrage fournit une base solide pour comprendre l'évolution de la vision par ordinateur et les choix de conception à l'origine de cette évolution. de la vision par ordinateur et les choix de conception des algorithmes avancés tels que YOLO11 et les itérations futures comme YOLO26.