Rilevatori basati su Anchor

I rilevatori basati su ancore sono una classe fondamentale di modelli utilizzati in computer vision (CV) per risolvere il problema del rilevamento degli oggetti. Questi sistemi si basano su un predefinito di caselle di delimitazione, note come di ancoraggio, che agiscono come modelli di riferimento su un'immagine. Invece di cercare di prevedere la posizione di un oggetto partendo da zero, la rete calcola quanto spostare e scalare questi ancoraggi fissi per adattarli agli oggetti della scena. Questo approccio converte essenzialmente il complesso compito di localizzazione in un problema di regressione strutturato, fornendo un punto di partenza stabile per l'apprendimento dei modelli di deep learning (DL). modelli di apprendimento profondo (DL) per apprendere gerarchie spaziali. gerarchie spaziali.

Meccanismi di rilevamento basati su ancore

Il flusso di lavoro di un rilevatore basato sulle ancore prevede la generazione di una fitta griglia di ancore sull'immagine di input, ognuna delle quali ha una scala e un rapporto d'aspetto diversi per catturare oggetti di forme diverse. con scale e rapporti di aspetto diversi per catturare oggetti di dimensioni e forme diverse. Mentre l'immagine passa attraverso la modello, vengono estratte e analizzate le mappe di caratteristiche. Per ogni posizione di ancoraggio, la testa di rilevamento esegue due previsioni simultanee previsioni:

1. Classificazione: Il modello assegna un punteggio di probabilità che indica se l'ancora contiene una specifica classe di oggetti o se è semplicemente rumore di fondo. classe specifica di oggetti o se si tratta semplicemente di rumore di fondo.
2. Regressione di Bounding Box: Il modello predice i valori di offset (coordinate per il centro, la larghezza e l'altezza) per regolare le dimensioni dell'ancoraggio in modo che corrisponda alla verità a terra. altezza) per regolare le dimensioni dell'ancoraggio in modo che corrisponda alla verità bounding box.

Durante l'addestramento del modello, gli algoritmi utilizzano una metrica chiamata Intersezione su Unione (IoU) per determinare per determinare quali ancore si sovrappongono sufficientemente agli oggetti noti. Solo le ancore con l'IoU più alto vengono trattate come campioni positivi. campioni positivi. Poiché questo processo genera migliaia di caselle candidate, una fase di post-elaborazione nota come soppressione non massimale (NMS) per rimuovere le per rimuovere le sovrapposizioni ridondanti e mantenere solo il rilevamento più accurato.

Architetture basate su ancoraggi e architetture senza ancoraggi

È importante distinguere questi modelli dalla moderna generazione di rivelatori senza rivelatori privi di ancore. Mentre i sistemi basati sulle ancore sistemi come l'originale Faster R-CNN e il Ultralytics YOLOv5 si affidano alla regolazione manuale delle dimensioni I modelli senza ancore predicono direttamente i centri degli oggetti o i punti chiave.

• Basato su ancore: Richiede la definizione di iperparametri per le dimensioni e i rapporti di ancoraggio, che possono essere sensibili a set di dati specifici. Sono storicamente robusti per gli oggetti standard.
• Anchor-Free: elimina la necessità di scatole preimpostate, semplificando l'architettura e riducendo il carico computazionale. l'overhead computazionale. Lo stato dell'arte Ultralytics YOLO11 utilizza un approccio privo di ancore per ottenere velocità e flessibilità superiori, in particolare per gli oggetti con geometrie irregolari. Per saperne di più i vantaggi della progettazione senza ancoraggi in YOLO11 sul nostro blog.

Applicazioni nel mondo reale

Nonostante l'avvento di metodi più recenti, i rilevatori basati su ancore rimangono prevalenti in molte pipeline consolidate in cui le forme degli oggetti sono coerenti e prevedibili. forme degli oggetti sono coerenti e prevedibili.

• Guida autonoma: Nello sviluppo di veicoli autonomi, i sistemi devono rilevare in modo detect in modo affidabile auto, camion e segnali stradali. Poiché i veicoli mantengono generalmente rapporti d'aspetto coerenti, i modelli basati su ancore modelli basati sugli ancoraggi sono efficaci per gli stack di percezione utilizzati da leader del settore come Waymo e Mobileye.
• Gestione dell'inventario al dettaglio: Per AI nella vendita al dettaglio, le telecamere monitorano track scaffali per livelli di scorte. Prodotti come le scatole di cereali o le lattine di bibite hanno forme standardizzate che si allineano perfettamente con le sagome di ancoraggio modelli di ancoraggio, consentendo un conteggio di alta precisione e il di alta precisione nel conteggio e nel tracciamento degli oggetti.

Implementazione con Ultralytics

È possibile sperimentare facilmente il rilevamento degli oggetti utilizzando l'opzione ultralytics confezione. Anche se i modelli più recenti sono privi di ancoraggio, il framework supporta una varietà di architetture. L'esempio seguente mostra come eseguire su un'immagine utilizzando un modello pre-addestrato:

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()

La comprensione della meccanica dei rilevatori basati su ancore fornisce una solida base per comprendere l'evoluzione della computer vision e le scelte progettuali alla base della della computer vision e le scelte progettuali alla base di algoritmi avanzati come YOLO11 e le future iterazioni come YOLO26.