Anchor Boxes

Les boîtes d’ancrage sont des rectangles de référence prédéfinis, avec des rapports d’aspect et des échelles spécifiques, qui sont placés sur toute l’image afin d’aider les modèles de détection d’objets à localiser et à classer les objets. Plutôt que de demander à un réseau neuronal de prédire la taille et la position exactes d’un objet à partir de zéro — ce qui peut être instable en raison de la grande variété des formes d’objets — le modèle utilise ces gabarits fixes comme point de départ. En apprenant à prédire dans quelle mesure ajuster, ou « régresser », ces boîtes initiales pour les adapter à la vérité terrain, le système peut atteindre une convergence plus rapide et une meilleure précision. Cette technique a fondamentalement transformé le domaine de la vision par ordinateur (CV) en simplifiant la tâche complexe de localisation pour en faire un problème d’optimisation plus facile à gérer.

Mécanisme des boîtes d’ancrage#

Dans les détecteurs fondés sur des ancres classiques, l’image d’entrée est divisée en une grille de cellules. À chaque emplacement de cellule, le réseau génère plusieurs boîtes d’ancrage présentant des géométries différentes. Par exemple, pour détecter simultanément un piéton grand et une voiture large, le modèle peut proposer une boîte haute et étroite ainsi qu’une boîte courte et large au même point central.

Pendant l’entraînement du modèle, ces ancres sont comparées aux objets réels à l’aide d’une métrique appelée intersection sur union (IoU). Les ancres qui se superposent significativement à un objet annoté sont désignées comme des échantillons « positifs ». Le réseau apprend alors deux tâches en parallèle :

1. Classification : il attribue un score de probabilité à l’ancre, indiquant la probabilité qu’elle contienne une classe spécifique (par exemple, « chien » ou « vélo »). Cette tâche utilise des objectifs d’apprentissage supervisé classiques, comme la perte d’entropie croisée.

2. Régression des boîtes : il calcule les valeurs de décalage précises (décalages des coordonnées et facteurs de mise à l’échelle) nécessaires pour transformer l’ancre générique en une boîte englobante ajustée à l’objet.

Cette approche permet au modèle de gérer plusieurs objets de tailles différentes situés à proximité les uns des autres, car chaque objet peut être associé à l’ancre qui correspond le mieux à sa forme.

Applications concrètes#

Bien que les architectures plus récentes s’orientent vers des conceptions sans ancres, les boîtes d’ancrage restent essentielles dans de nombreux systèmes de production établis où les caractéristiques des objets sont prévisibles.

• Commerce de détail et gestion des stocks : dans les solutions de vente au détail fondées sur l’IA, les caméras surveillent les stocks en rayon. Comme les produits tels que les boîtes de céréales ou les canettes de soda ont des dimensions standardisées, les boîtes d’ancrage peuvent être ajustées à ces rapports d’aspect spécifiques. Ces connaissances préalables aident le modèle à maintenir un rappel élevé, même dans des environnements encombrés.
• Conduite autonome : les systèmes de perception des véhicules autonomes s’appuient sur la détection des piétons, des véhicules et des panneaux de signalisation. Comme une voiture observée à distance présente un profil de forme relativement constant par rapport à la route, l’utilisation d’ancres adaptées à ces formes garantit un suivi des objets robuste et une estimation fiable de la distance.

Avec ancres ou sans ancres#

Il est important de distinguer les méthodes traditionnelles fondées sur des ancres des détecteurs sans ancres modernes.

• Avec ancres : les modèles tels que le Faster R-CNN original ou les premières versions de YOLO (par exemple, Ultralytics YOLOv5) utilisent ces gabarits prédéfinis. Ils sont robustes, mais nécessitent souvent un réglage manuel des hyperparamètres (tailles et rapports des ancres) ou l’utilisation d’algorithmes de regroupement comme le regroupement k-means pour s’adapter à de nouveaux jeux de données.
• Sans ancres : les modèles avancés, notamment YOLO26, utilisent souvent des approches sans ancres ou de bout en bout. Ces réseaux prédisent directement les centres des objets ou les points clés, ce qui élimine le besoin de configurer manuellement les ancres. Cela simplifie l’architecture et accélère l’inférence en supprimant les calculs nécessaires au traitement de milliers d’ancres d’arrière-plan vides.

Exemple : accéder aux informations sur les ancres#

Bien que les API de haut niveau modernes, comme l’Ultralytics Platform, masquent ces détails pendant l’entraînement, comprendre les ancres est utile lorsque tu travailles avec des architectures de modèles plus anciennes ou que tu analyses des fichiers de configuration de modèles. L’extrait suivant montre comment charger un modèle et examiner sa configuration, dans laquelle les paramètres des ancres, s’ils sont présents, seraient généralement définis.

from ultralytics import YOLO

# Load a pre-trained YOLO model (YOLO26 is anchor-free, but legacy configs act similarly)
model = YOLO("yolo26n.pt")

# Inspect the model's stride, which relates to grid cell sizing in detection
print(f"Model strides: {model.model.stride}")

# For older anchor-based models, anchors might be stored in the model's attributes
# Modern anchor-free models calculate targets dynamically without fixed boxes
if hasattr(model.model, "anchors"):
    print(f"Anchors: {model.model.anchors}")
else:
    print("This model architecture is anchor-free.")

Défis et considérations#

Bien qu’efficaces, les boîtes d’ancrage ajoutent de la complexité. Le grand nombre d’ancres générées — souvent plusieurs dizaines de milliers par image — crée un problème de déséquilibre entre les classes, car la plupart des ancres ne couvrent que l’arrière-plan. Des techniques comme la perte Focal Loss sont utilisées pour atténuer ce problème en réduisant le poids des exemples d’arrière-plan faciles. De plus, la sortie finale nécessite généralement une suppression des maxima non pertinents (NMS) pour filtrer les boîtes redondantes qui se chevauchent, afin de ne conserver que la détection la plus fiable pour chaque objet.