Object Detection Architectures

Les architectures de détection d'objets sont les plans structurels des réseaux de neurones utilisés pour identifier et localiser des éléments dans des données visuelles. Dans le domaine plus large de la computer vision (CV), ces architectures définissent comment une machine « voit » en transformant des données de pixels brutes en informations utiles. Contrairement aux modèles de classification basiques qui étiquettent simplement une image, une architecture de détection d'objets est conçue pour produire une bounding box ainsi qu'une étiquette de classe et un confidence score pour chaque objet distinct qu'elle trouve. Cette conception structurelle détermine la vitesse, la précision et l'efficacité informatique du modèle, ce qui en fait le facteur décisif lors du choix d'un modèle pour la real-time inference ou une analyse de haute précision.

Composants principaux d'une architecture#

Bien que les conceptions spécifiques varient, la plupart des architectures modernes partagent trois composants fondamentaux : le backbone, le neck et la tête. Le backbone sert d'extracteur de caractéristiques principal. Il s'agit généralement d'un Convolutional Neural Network (CNN) pré-entraîné sur un grand jeu de données comme ImageNet, chargé d'identifier les formes, les contours et les textures de base. Les choix populaires pour les backbones incluent ResNet et CSPDarknet.

Le neck relie le backbone aux couches de sortie finales. Son rôle est de mélanger et de combiner les caractéristiques de différentes étapes du backbone pour garantir que le modèle peut détecter des objets de diverses tailles, un concept connu sous le nom de fusion de caractéristiques multi-échelle. Les architectures utilisent souvent un Feature Pyramid Network (FPN) ou un Path Aggregation Network (PANet) à cet endroit pour enrichir les informations sémantiques transmises aux couches de prédiction. Enfin, la detection head traite ces caractéristiques fusionnées pour prédire la classe spécifique et l'emplacement des coordonnées de chaque objet.

Évolution : Two-Stage vs. One-Stage#

Historiquement, les architectures étaient divisées en deux grandes catégories. Les two-stage detectors, tels que la R-CNN family, proposent d'abord des régions d'intérêt (RoIs) où des objets pourraient exister, puis classent ces régions lors d'une seconde étape. Bien qu'ils soient généralement précis, ils sont souvent trop lourds en calcul pour les appareils de périphérie.

En revanche, les one-stage detectors traitent la détection comme un simple problème de régression, en mappant directement les pixels de l'image aux coordonnées de la bounding box et aux probabilités de classe en une seule passe. Cette approche, lancée par la famille YOLO (You Only Look Once), a révolutionné l'industrie en permettant des performances en temps réel. Les avancées modernes ont culminé avec des modèles comme YOLO26, qui offrent non seulement une vitesse supérieure mais ont également adopté des architectures de bout en bout sans NMS. En supprimant le besoin de post-traitement par Non-Maximum Suppression (NMS), ces architectures plus récentes réduisent la variabilité de la latence, ce qui est crucial pour les systèmes critiques pour la sécurité.

Applications concrètes#

Le choix de l'architecture impacte directement le succès des solutions IA dans tous les secteurs.

• Retail Automation : Dans les smart supermarkets, des architectures unistage efficaces permettent des systèmes de caisse automatisés qui reconnaissent instantanément les produits sur un tapis roulant ou dans un chariot, réduisant ainsi les temps d'attente et les erreurs humaines.
• Medical Diagnostics : Des architectures de haute précision sont utilisées dans l'medical image analysis pour détecter des anomalies telles que des tumeurs dans des radiographies ou des examens IRM. Ici, la capacité de l'architecture à conserver des détails précis est plus critique que la vitesse de traitement brute.

Distinguer les termes associés#

Il est important de différencier les architectures de détection des tâches de vision par ordinateur similaires :

• vs. Image Classification : Une architecture d'image classification (comme VGG ou EfficientNet) attribue une seule étiquette à une image entière (par exemple, « chat »). Elle ne t'indique pas où se trouve le chat ou s'il y a plusieurs chats, ce qui constitue la fonction principale des architectures de détection.
• vs. Instance Segmentation : Alors que la détection place une boîte autour d'un objet, l'instance segmentation identifie le contour précis (masque) au pixel près de chaque objet. Les architectures de segmentation sont souvent des extensions des architectures de détection (par exemple, l'ajout d'une branche de masques à la tête de détection).

Implémentation avec Ultralytics#

Les frameworks modernes ont abstrait la complexité de ces architectures, permettant aux développeurs de tirer parti de conceptions de pointe avec un code minimal. En utilisant le package ultralytics, tu peux charger un modèle YOLO26 pré-entraîné et exécuter l'inférence immédiatement. Pour les équipes qui cherchent à gérer leurs jeux de données et à entraîner des architectures personnalisées dans le cloud, la Ultralytics Platform simplifie l'ensemble du pipeline MLOps.

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Run inference on an image source
# This uses the model's architecture to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()