Object Detection Architectures

Le architetture di rilevamento oggetti 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 come una macchina "vede", elaborando i dati grezzi dei pixel in insight significativi. A differenza dei modelli di classificazione di base che etichettano semplicemente un'immagine, un'architettura di rilevamento oggetti è progettata per generare un bounding box insieme a un'etichetta di classe e a un confidence score per ogni oggetto distinto che trova. Questo design strutturale determina la velocità, l'accuratezza e l'efficienza computazionale del modello, rendendolo il fattore critico nella scelta di un modello per real-time inference o analisi ad alta precisione.

Link to this sectionComponenti principali di un'architettura#

Sebbene i design specifici varino, la maggior parte delle architetture moderne condivide tre componenti fondamentali: il backbone, il neck e l'head. Il backbone funge da estrattore di feature primario. Si tratta solitamente di una Convolutional Neural Network (CNN) pre-addestrata su un ampio dataset come ImageNet, responsabile dell'identificazione di forme, bordi e texture di base. Scelte popolari per i backbone includono ResNet e CSPDarknet.

Il neck collega il backbone agli strati di output finali. Il suo ruolo è quello di 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 multiscala. Le architetture utilizzano spesso una Feature Pyramid Network (FPN) o una Path Aggregation Network (PANet) in questa fase per arricchire le informazioni semantiche passate agli strati di previsione. Infine, il detection head elabora queste feature fuse per prevedere la classe specifica e la posizione delle coordinate di ogni oggetto.

Link to this sectionEvoluzione: Two-Stage vs. One-Stage#

Storicamente, le architetture erano suddivise in due categorie principali. I two-stage detector, come la famiglia R-CNN, propongono innanzitutto regioni di interesse (RoI) dove potrebbero esistere oggetti e poi classificano tali regioni in un secondo passaggio. Sebbene generalmente accurati, sono spesso troppo pesanti dal punto di vista computazionale per i dispositivi edge.

Al contrario, i one-stage detector trattano il rilevamento come un semplice problema di regressione, mappando i pixel dell'immagine direttamente alle coordinate del bounding box e alle probabilità di classe in un unico passaggio. 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 di post-elaborazione tramite Non-Maximum Suppression (NMS), queste architetture più recenti riducono la variabilità della latenza, fattore cruciale per i sistemi safety-critical.

Link to this sectionApplicazioni nel mondo reale#

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

• Automazione della vendita al dettaglio: Nei supermercati intelligenti, architetture efficienti di tipo one-stage consentono sistemi di checkout 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 sono utilizzate nell'analisi delle immagini mediche per rilevare anomalie come tumori in radiografie o scansioni MRI. In questo caso, la capacità dell'architettura di mantenere dettagli precisi è più critica della velocità di elaborazione grezza.

Link to this sectionDistinguere termini correlati#

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

• vs. Image Classification: Un'architettura di image classification (come VGG o EfficientNet) assegna una singola etichetta a un'intera immagine (es. "gatto"). Non ti dice dove si trova il gatto o se ci sono più gatti, che è la funzione primaria delle architetture di rilevamento.
• vs. Instance Segmentation: Mentre il rilevamento inserisce un riquadro attorno a un oggetto, la instance segmentation identifica il contorno preciso e perfetto a livello di pixel (maschera) di ogni oggetto. Le architetture di segmentazione sono spesso estensioni di quelle di rilevamento (es. aggiungendo un ramo maschera al detection head).

Link to this sectionImplementazione con Ultralytics#

I framework moderni hanno astratto le complessità di queste architetture, consentendo agli sviluppatori di sfruttare design all'avanguardia con il minimo codice. Utilizzando il pacchetto ultralytics, puoi 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()