Détecteurs sans ancrage

Détecteurs sans ancrage et détecteurs avec ancrage Détecteurs basés sur l'ancrage

La principale différence réside dans la manière dont les objets candidats sont générés.

• Détecteurs à ancrage: Les modèles tels que YOLOv5 et Faster R-CNN utilisent un ensemble prédéfini de boîtes d'ancrage de différentes tailles et de différents rapports d'aspect à différents endroits d'une image. Le réseau affine ces boîtes pour qu'elles correspondent aux objets de référence. Cette approche peut être très gourmande en ressources informatiques et nécessite une sélection minutieuse des configurations d'ancrage, qui pourrait ne pas être généralisée à différents ensembles de données tels que COCO.
• Détecteurs sans ancrage: Ces modèles ne nécessitent pas de boîtes prédéfinies. Ils prédisent directement les propriétés de l'objet à partir des caractéristiques de l'image. Cela simplifie la conception et peut permettre une inférence en temps réel plus rapide et une meilleure détection des objets de forme irrégulière. Les architectures modernes, dont Ultralytics YOLO11, ont adopté cette conception pour gagner en efficacité et en flexibilité.

Le passage à une conception sans ancrage a été un développement clé dans l'évolution de la détection d'objets, avec des modèles comme YOLOX, qui a été introduit par Megvii dans son document de recherche de 2021. Vous pouvez consulter une comparaison technique entre YOLO11 et YOLOX pour comprendre leurs différences architecturales.

Comment fonctionnent les détecteurs sans ancre ?

Les détecteurs sans ancrage adoptent généralement l'une des deux stratégies suivantes :

1. Basées sur des points clés: Ces méthodes localisent les objets en identifiant des points clés, tels que les coins ou les points centraux. Le modèle apprend à regrouper ces points clés pour former des prédictions de boîtes de délimitation complètes.
2. Basées sur le centre: Ces approches prédisent le centre d'un objet et régressent ensuite la distance entre le centre et les quatre côtés de la boîte englobante. Il s'agit d'une technique courante et efficace utilisée dans de nombreux détecteurs modernes.

Ces méthodes simplifient le processus d'attribution des étiquettes pendant l'apprentissage du modèle et intègrent souvent des techniques avancées telles que des fonctions de perte sophistiquées et une forte augmentation des données afin d'améliorer les performances.

Applications dans le monde réel

La flexibilité et l'efficacité des détecteurs sans ancrage les rendent très efficaces dans divers domaines :

• Conduite autonome: Dans les systèmes pour véhicules autonomes, ces détecteurs peuvent identifier avec précision les piétons, les autres voitures et les obstacles de formes et de tailles diverses. Cette adaptabilité est essentielle pour les systèmes de navigation développés par des entreprises comme Waymo.
• Analyse d'images médicales: Les modèles sans ancrage excellent dans la localisation d'anomalies de forme irrégulière, telles que les tumeurs ou les lésions dans les scanners médicaux. Par exemple, l 'utilisation de YOLO11 pour la détection de tumeurs tire parti de son absence d'ancrage pour une localisation plus précise dans les images médicales.
• Analyse du commerce de détail: Ces modèles peuvent surveiller efficacement les rayons des magasins pour détecter les ruptures de stock ou analyser le trafic des clients, même avec des produits densément emballés ou de forme étrange. Il s'agit d'un élément clé de la gestion des stocks pilotée par l'IA.
• Sécurité et surveillance: L'identification d'individus ou d'objets dans des scènes très fréquentées est une tâche courante dans la surveillance intelligente. Les détecteurs sans ancrage gèrent bien les objets à différentes échelles, ce qui les rend idéaux pour ces applications.

Outils et technologies

Le développement de modèles sans ancrage est pris en charge par les principaux cadres d'apprentissage profond tels que PyTorch et TensorFlow. L'écosystème Ultralytics fournit des outils complets pour construire et déployer ces détecteurs avancés. Vous pouvez explorer notre documentation et utiliser Ultralytics HUB pour gérer les ensembles de données, former les modèles et gérer le déploiement. Pour un apprentissage continu, des plateformes comme Coursera proposent des cours de base, et des ressources comme Papers With Code répertorient les modèles les plus récents.