Détecteurs basés sur l'ancrage

Fonctionnement des détecteurs à ancrage

Le concept fondamental des détecteurs basés sur les ancres consiste à superposer une grille dense de ces boîtes d'ancrage prédéfinies sur l'image d'entrée à plusieurs endroits et à plusieurs échelles. Chaque boîte d'ancrage correspond à un objet potentiel d'une taille et d'une forme spécifiques. Au cours du processus d'apprentissage du modèle, le détecteur apprend deux choses essentielles pour chaque ancre : premièrement, il détermine si la boîte d'ancrage contient un objet ou un arrière-plan pertinent ; deuxièmement, il affine la position et les dimensions de l'ancre (un processus appelé régression) afin de correspondre précisément à la boîte de délimitation de l'objet réel.

Prenons l'exemple de la détection de différents véhicules dans une image d'une rue très fréquentée. Au lieu d'analyser chaque groupe de pixels, un modèle basé sur les ancres utilise des modèles de boîtes prédéfinies : des petites boîtes pour les piétons, des carrés moyens pour les voitures et des rectangles plus grands pour les bus. Ces modèles (ancres) sont placés sur l'ensemble de l'image. Si une ancre chevauche de manière significative une voiture, le modèle apprend à la classer comme "voiture" et ajuste les coordonnées et la taille de l'ancre pour qu'elle s'adapte parfaitement à la voiture. Les ancres qui ne couvrent que la route ou les bâtiments sont classées comme "arrière-plan". Cette approche systématique, guidée par des formes prédéfinies, permet de gérer la complexité de la détection d'objets. Les performances sont généralement évaluées à l'aide de mesures telles que l'intersection sur l'union (IoU ) et la précision moyenne (mAP).

Principales caractéristiques et avantages

Les détecteurs basés sur l'ancrage, qui s'appuient souvent sur de puissants réseaux neuronaux convolutifs (CNN), offrent des avantages indéniables :

• Gestion des variations d'échelle et de rapport d'aspect : Les ancres prédéfinies couvrent explicitement différentes formes et tailles, ce qui rend ces modèles intrinsèquement bons pour détecter des objets indépendamment de leurs dimensions ou de leur orientation.
• Prédiction structurée : Les ancres constituent un moyen structuré de générer des propositions d'objets sur l'ensemble de l'image, garantissant ainsi une couverture complète.
• Rappel élevé : En générant un grand nombre d'emplacements d'objets potentiels par le biais d'ancres, ces méthodes atteignent souvent un rappel élevé, ce qui signifie qu'elles parviennent à trouver les objets les plus pertinents, bien que cela nécessite parfois des étapes de post-traitement telles que la suppression non maximale (NMS) pour filtrer les doublons.
• Des performances éprouvées : Des architectures telles que Faster R-CNN et SSD (Single Shot MultiBox Detector) ont démontré d'excellentes performances sur des ensembles de données de référence standard tels que COCO.

Applications dans le monde réel

Les détecteurs basés sur les ancres ont été déployés avec succès dans de nombreux scénarios réels :

1. Véhicules autonomes : La détection des véhicules, des piétons, des cyclistes et des panneaux de signalisation de différentes tailles et distances est essentielle à la sécurité de la navigation. Les méthodes basées sur l'ancrage permettent de s'assurer que les objets proches ou éloignés, grands ou petits, sont identifiés de manière fiable. Des entreprises comme Waymo s'appuient fortement sur une détection robuste des objets. En savoir plus sur l'IA dans les voitures autonomes.
2. Analyse de la vente au détail : Dans les magasins, ces détecteurs peuvent surveiller les rayons pour identifier les produits, vérifier les niveaux de stock ou analyser les schémas de circulation des clients en détectant les personnes. La capacité à gérer différentes tailles et formes d'emballages de produits est essentielle pour des applications telles que la gestion des stocks pilotée par l'IA.

Détecteurs avec ancrage et détecteurs sans ancrage

Ces dernières années, les détecteurs sans ancrage sont apparus comme une alternative populaire. Contrairement aux modèles basés sur les ancres (par exemple, Ultralytics YOLOv5), les approches sans ancres prédisent directement l'emplacement et la taille des objets, souvent en identifiant des points clés (comme les centres ou les coins des objets) ou en prédisant les distances entre un point et les limites de l'objet, ce qui élimine le besoin de formes d'ancres prédéfinies.

Les principales différences sont les suivantes :

• Complexité : Les modèles basés sur l'ancrage nécessitent une conception et un réglage minutieux des paramètres de l'ancrage (tailles, rapports, échelles), qui peuvent dépendre de l'ensemble des données. Les modèles sans ancrage simplifient la conception de la tête de détection.
• Flexibilité : Les méthodes sans ancrage peuvent mieux s'adapter aux objets présentant des rapports d'aspect inhabituels ou des formes mal représentées par le jeu d'ancrage fixe.
• Efficacité : L'élimination des ancres peut réduire le nombre de prédictions que le modèle doit faire, ce qui peut conduire à une inférence plus rapide et à un post-traitement plus simple.

Alors que les détecteurs basés sur les ancres comme YOLOv4 ont connu un grand succès, de nombreuses architectures modernes, y compris Ultralytics YOLO11, ont adopté des conceptions sans ancres pour tirer parti de leurs avantages en termes de simplicité et d'efficacité. Vous pouvez explorer les avantages de la détection sans ancrage dans YOLO11 et voir des comparaisons entre différents modèles YOLO.

Outils et formation

Le développement et le déploiement de modèles de détection d'objets, qu'ils soient basés ou non sur des ancres, impliquent l'utilisation de frameworks tels que PyTorch ou TensorFlow et de bibliothèques telles qu'OpenCV. Des plateformes telles qu'Ultralytics HUB offrent des flux de travail rationalisés pour l'entraînement de modèles personnalisés, la gestion d'ensembles de données et le déploiement de solutions, en prenant en charge diverses architectures de modèles. Pour un apprentissage plus approfondi, des ressources telles que Papers With Code répertorient les modèles les plus récents, et des cours proposés par des plateformes telles que DeepLearning.AI couvrent les concepts fondamentaux.