Backbone

Un backbone è un componente fondamentale di un modello di deep learning, in particolare nella computer vision (CV). Funge da rete primaria di estrazione delle feature. Il suo compito principale è quello di prendere i dati di input grezzi, come un'immagine, e trasformarli in un insieme di feature di alto livello, o mappe di feature, che possono essere utilizzate per attività a valle come il rilevamento di oggetti, la segmentazione di immagini o la classificazione. Puoi pensare al backbone come alla parte della rete neurale (NN) che impara a "vedere" e a capire i modelli fondamentali, come bordi, texture, forme e oggetti, all'interno di un'immagine.

Come funzionano i Backbone

Il backbone è in genere una rete neurale convoluzionale (CNN) profonda che è stata pre-addestrata su un dataset di classificazione di immagini su larga scala, come ImageNet. Questo processo di pre-addestramento, una forma di transfer learning, insegna alla rete a riconoscere una vasta libreria di caratteristiche visive generali. Quando creano un modello per una nuova attività, gli sviluppatori spesso utilizzano questi backbone pre-addestrati invece di partire da zero. Questo approccio riduce significativamente i tempi di addestramento e la quantità di dati etichettati necessari, migliorando al contempo le prestazioni del modello. Le caratteristiche estratte dal backbone vengono quindi passate al "neck" e all'"head" della rete, che eseguono un'ulteriore elaborazione e generano l'output finale. La scelta del backbone spesso comporta un compromesso tra accuratezza, dimensione del modello e latenza di inferenza, che è fondamentale per ottenere prestazioni in tempo reale.

Architetture Backbone Comuni

La progettazione dei backbone si è evoluta nel corso degli anni, con ogni nuova architettura che offre miglioramenti in termini di efficienza e prestazioni. Alcune delle architetture backbone più influenti includono:

• Reti residue (ResNet): Introdotti da Microsoft Research, i modelli ResNet utilizzano "connessioni saltate" per consentire alla rete di apprendere funzioni residue. Questa innovazione ha permesso di addestrare reti molto più profonde senza soffrire del problema del gradiente che svanisce.
• EfficientNet: Sviluppata da Google AI, questa famiglia di modelli utilizza un metodo di ridimensionamento composto per bilanciare uniformemente profondità, larghezza e risoluzione della rete. Ciò si traduce in modelli altamente accurati ed efficienti dal punto di vista computazionale.
• Trasformatore di visione (ViT): Adattando l'architettura Transformer di successo dalla PNL alla visione, i ViT trattano un'immagine come una sequenza di patch e utilizzano l'autoattenzione per catturare il contesto globale, offrendo un approccio diverso rispetto ai campi ricettivi locali delle CNN.
• CSPNet (Cross Stage Partial Network): Questa architettura, descritta nel suo articolo originale, migliora l'apprendimento integrando le feature map dall'inizio e dalla fine di una fase di rete, il che ottimizza la propagazione del gradiente e riduce i colli di bottiglia computazionali. È un componente chiave in molti modelli Ultralytics YOLO.

Backbone vs. Head and Neck

In una tipica architettura di object detection, il modello è composto da tre parti principali:

1. Backbone: Il suo ruolo è quello di eseguire l'estrazione delle feature dall'immagine di input, creando mappe di feature a varie scale.
2. Neck: Questo componente si trova tra il backbone e l'head. Affina e aggrega le feature map dal backbone, spesso combinando le caratteristiche di diversi livelli per costruire una rappresentazione più ricca. Un esempio comune è la Feature Pyramid Network (FPN).
3. Testa di rilevamento: Questa è la parte finale della rete, che prende le caratteristiche raffinate dal collo ed esegue il compito di rilevamento vero e proprio. Prevede i riquadri di delimitazione, le etichette di classe e i punteggi di confidenza per gli oggetti nell'immagine.

Il backbone è quindi la base su cui è costruito il resto del modello di rilevamento. Modelli come YOLOv8 e YOLO11 integrano backbone potenti per garantire un'estrazione di caratteristiche di alta qualità, essenziale per le loro prestazioni all'avanguardia in varie attività. Puoi esplorare diversi confronti tra modelli YOLO per vedere come le scelte architetturali influiscono sulle prestazioni.

Applicazioni nel mondo reale

I backbone sono componenti fondamentali in innumerevoli applicazioni di IA:

1. Guida autonoma: I sistemi di auto a guida autonoma si affidano in larga misura a backbone robusti (ad esempio, varianti di ResNet o EfficientNet) per elaborare i dati provenienti da telecamere e sensori LiDAR. Le caratteristiche estratte consentono di rilevare e classificare veicoli, pedoni, semafori e linee di corsia, un aspetto cruciale per la navigazione sicura e il processo decisionale, come si vede nei sistemi sviluppati da aziende come Waymo.
2. Analisi delle immagini mediche: Nelle soluzioni di IA per il settore sanitario, i backbone vengono utilizzati per analizzare scansioni mediche come radiografie, TAC o risonanze magnetiche. Ad esempio, un backbone come DenseNet può estrarre caratteristiche da una radiografia del torace per aiutare a rilevare segni di polmonite o da una TAC per identificare potenziali tumori(ricerca rilevante in Radiology: AI). Questo aiuta i radiologi nella diagnosi e nella pianificazione del trattamento. I modelli Ultralytics come YOLO11 possono essere adattati a compiti come il rilevamento dei tumori sfruttando potenti backbone.

Puoi semplificare il processo di utilizzo di backbone potenti per i tuoi progetti utilizzando piattaforme come Ultralytics HUB, che semplifica la gestione dei dataset e l'addestramento di modelli personalizzati.