Object Detection Architectures

Le architetture di rilevamento degli oggetti sono i progetti strutturali delle reti neurali utilizzate per identificare e localizzare gli elementi all'interno dei dati visivi. Nel più ampio campo della visione artificiale (CV), queste architetture definiscono il modo in cui una macchina "vede", elaborando i dati grezzi dei pixel per trasformarli in informazioni significative. A differenza dei modelli di classificazione di base, che si limitano ad assegnare un'etichetta a un'immagine, un'architettura di rilevamento degli oggetti è progettata per produrre un riquadro di delimitazione insieme a un'etichetta di classe e a un punteggio di confidenza per ogni oggetto distinto che individua. Questa progettazione strutturale determina la velocità, l'accuratezza e l'efficienza computazionale del modello, rendendola il fattore decisivo nella scelta di un modello per l'inferenza in tempo reale o per l'analisi ad alta precisione.

Componenti fondamentali di un'architettura#

Sebbene i progetti specifici varino, la maggior parte delle architetture moderne condivide tre componenti fondamentali: il backbone, il neck e la head. Il backbone funge da principale estrattore di caratteristiche. In genere è una rete neurale convoluzionale (CNN) pre-addestrata su un ampio set di dati come ImageNet, responsabile dell'identificazione di forme, bordi e texture di base. Tra le scelte più diffuse per i backbone figurano ResNet e CSPDarknet.

Il neck collega il backbone ai livelli di output finali. Il suo ruolo è mescolare e combinare le caratteristiche provenienti dalle diverse fasi del backbone, per garantire che il modello possa rilevare oggetti di varie dimensioni, un concetto noto come fusione delle caratteristiche multi-scala. In questo punto, le architetture utilizzano spesso una rete piramidale delle caratteristiche (FPN) o una rete di aggregazione dei percorsi (PANet) per arricchire le informazioni semantiche trasmesse ai livelli di previsione. Infine, la head di rilevamento elabora queste caratteristiche fuse per prevedere la classe specifica e la posizione delle coordinate di ciascun oggetto.

Evoluzione: rilevatori a due stadi e a uno stadio#

Storicamente, le architetture erano suddivise in due categorie principali. I rilevatori a due stadi, come la famiglia R-CNN, propongono innanzitutto regioni di interesse (RoIs) in cui potrebbero trovarsi gli oggetti, quindi classificano tali regioni in una seconda fase. Sebbene siano generalmente accurati, spesso richiedono troppe risorse computazionali per i dispositivi edge.

Al contrario, i rilevatori a uno stadio trattano il rilevamento come un semplice problema di regressione, mappando direttamente i pixel dell'immagine sulle coordinate dei riquadri di delimitazione e sulle probabilità delle classi in un'unica passata. Questo approccio, introdotto dalla famiglia YOLO (Guarda una sola volta), ha rivoluzionato il settore abilitando prestazioni in tempo reale. I progressi moderni hanno portato a 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 della soppressione non massima (NMS), queste architetture più recenti riducono la variabilità della latenza, un aspetto fondamentale per i sistemi critici per la sicurezza.

Applicazioni nel mondo reale#

La scelta dell'architettura influisce direttamente sul successo delle soluzioni di intelligenza artificiale in diversi settori.

• Automazione della vendita al dettaglio: Nei supermercati intelligenti, le efficienti architetture a uno stadio 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 gli errori umani.
• Diagnostica medica: Le architetture ad alta precisione vengono utilizzate nell'analisi delle immagini mediche per rilevare anomalie come i tumori nelle radiografie o nelle scansioni MRI. In questo caso, la capacità dell'architettura di conservare i dettagli più fini è più importante della velocità di elaborazione pura.

Distinguere i termini correlati#

È importante distinguere le architetture di rilevamento da attività simili di visione artificiale:

• vs. Classificazione delle immagini: Un'architettura di classificazione delle immagini (come VGG o EfficientNet) assegna una singola etichetta a un'immagine intera (ad esempio, "gatto"). Non indica dove si trova il gatto né se sono presenti più gatti, che è la funzione principale delle architetture di rilevamento.
• vs. Segmentazione delle istanze: Mentre il rilevamento traccia un riquadro intorno a un oggetto, la segmentazione delle istanze identifica il contorno preciso, a livello di singolo pixel (maschera), di ogni oggetto. Le architetture di segmentazione sono spesso estensioni delle architetture di rilevamento (ad esempio, con l'aggiunta di un ramo per la maschera alla head di rilevamento).

Implementazione con Ultralytics#

I framework moderni hanno astratto le complessità di queste architetture, consentendo agli sviluppatori di sfruttare progetti all'avanguardia con una quantità minima di codice. Utilizzando il pacchetto ultralytics, puoi caricare un modello YOLO26 pre-addestrato ed eseguire immediatamente l'inferenza. Per i team che desiderano gestire i propri set di dati 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()