Object Detection Architectures

Le architetture di object detection sono i progetti strutturali delle reti neurali utilizzate per identificare e localizzare elementi all'interno di dati visivi. Nel campo più ampio della computer vision (CV), queste architetture definiscono il modo in cui una macchina "vede" elaborando dati di pixel grezzi in informazioni significative. A differenza dei modelli di classificazione di base che si limitano a etichettare un'immagine, un'architettura di object detection è progettata per emettere un bounding box insieme a un'etichetta di classe e a un confidence score per ogni oggetto distinto che trova. Questo progetto strutturale determina la velocità, la precisione e l'efficienza computazionale del modello, rendendolo il fattore critico nella scelta di un modello per il real-time inference o per l'analisi ad alta precisione.

Componenti principali di un'architettura#

Sebbene i progetti specifici varino, la maggior parte delle architetture moderne condivide tre componenti fondamentali: il backbone, il neck e la testa. Il backbone funge da estrattore di feature principale. È tipicamente una Convolutional Neural Network (CNN) pre-addestrata su un grande set di dati come ImageNet, responsabile dell'identificazione di forme, bordi e texture di base. Le scelte più diffuse per i backbone includono ResNet e CSPDarknet.

Il neck collega il backbone ai livelli di output finali. Il suo ruolo è mescolare e combinare le feature provenienti da diverse fasi del backbone per garantire che il modello possa rilevare oggetti di varie dimensioni, un concetto noto come fusione di feature multi-scala. Le architetture utilizzano spesso una Feature Pyramid Network (FPN) o una Path Aggregation Network (PANet) per arricchire le informazioni semantiche passate ai livelli di predizione. Infine, il detection head elabora queste feature fuse per prevedere la classe specifica e la posizione delle coordinate di ciascun oggetto.

Evoluzione: Two-Stage vs. One-Stage#

Storicamente, le architetture erano divise in due categorie principali. I two-stage detectors, come la famiglia R-CNN, propongono prima regioni di interesse (RoI) in cui potrebbero esistere oggetti e quindi classificano tali regioni in una seconda fase. Sebbene generalmente accurati, sono spesso troppo pesanti dal punto di vista computazionale per i dispositivi edge.

Al contrario, i one-stage detectors trattano il rilevamento come un semplice problema di regressione, mappando i pixel dell'immagine direttamente sulle coordinate del bounding box e sulle probabilità di classe in un'unica passata. Questo approccio, introdotto dalla famiglia YOLO (You Only Look Once), ha rivoluzionato il settore consentendo prestazioni in tempo reale. I progressi moderni sono culminati in modelli come YOLO26, che non solo offrono una velocità superiore, ma hanno anche adottato architetture end-to-end prive di NMS. Eliminando la necessità del post-processing di Non-Maximum Suppression (NMS), queste architetture più recenti riducono la variabilità della latenza, fondamentale per i sistemi critici per la sicurezza.

Applicazioni nel mondo reale#

La scelta dell'architettura influisce direttamente sul successo delle soluzioni IA in tutti i settori.

• Automazione retail: nei supermercati intelligenti, le efficienti architetture one-stage consentono sistemi di pagamento automatizzati che riconoscono istantaneamente i prodotti su un nastro trasportatore o in un carrello della spesa, riducendo i tempi di attesa e l'errore umano.
• Diagnostica medica: le architetture ad alta precisione vengono utilizzate nell'analisi di immagini mediche per rilevare anomalie come tumori in radiografie o scansioni MRI. In questo caso, la capacità dell'architettura di mantenere dettagli fini è più critica della velocità di elaborazione grezza.

Distinguere termini correlati#

È importante distinguere le architetture di rilevamento da attività di computer vision simili:

• vs. Classificazione delle immagini: un'architettura di image classification (come VGG o EfficientNet) assegna una singola etichetta a un'intera immagine (ad es. "gatto"). Non indica dove si trova il gatto o se ci sono più gatti, che è invece la funzione principale delle architetture di rilevamento.
• vs. Segmentazione d'istanza: mentre il rilevamento posiziona un riquadro attorno a un oggetto, l'instance segmentation identifica il contorno preciso perfetto al pixel (maschera) di ciascun oggetto. Le architetture di segmentazione sono spesso estensioni delle architetture di rilevamento (ad es. aggiungendo un ramo di maschera alla testa di rilevamento).

Implementazione con Ultralytics#

I framework moderni hanno astratto le complessità di queste architetture, consentendo agli sviluppatori di sfruttare progetti all'avanguardia con un codice minimo. Utilizzando il pacchetto ultralytics, è possibile caricare un modello YOLO26 pre-addestrato ed eseguire l'inferenza immediatamente. Per i team che desiderano gestire i propri dataset e addestrare architetture personalizzate nel cloud, la Ultralytics Platform semplifica l'intera 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()