アンカーベース検出器

アンカーに基づく検出器は、コンピュータビジョン(CV)で使用されるモデルの基本的なクラスである。 コンピュータビジョン(CV)で使用される基本的なモデルクラスである。 オブジェクト検出の問題を解決するためにこれらのシステムは として知られる，あらかじめ定義された境界ボックスの集合に依存する。 アンカーボックスは，画像全体に並べられた参照テンプレート を利用する。ネットワークは、ゼロから物体の位置を予測するのではなく、シーン内の物体にぴったり合うように、これらの固定されたアンカーをどれだけ移動させ、拡大縮小させるかを計算する。 を計算する。このアプローチは本質的に ディープラーニング（DL）モデルが学習するための安定した出発点を提供する。 ディープラーニング（DL）モデルが空間階層 階層を学習するための安定した出発点を提供する。

アンカー探知機のメカニズム

アンカー・ベース検出器のワークフローでは、入力画像上に高密度のアンカー・グリッドを生成する。 異なるスケールとアスペクト比を持つ高密度のグリッドを生成する。画像が モデルのバックボーンを通過する際に、特徴マップが抽出・分析される。 各アンカー位置に対して 検出ヘッドは2つの同時予測を実行する。 予測を行う：

1. 分類：モデルは、アンカーが特定のクラスのオブジェクトを含むか、単なる背景ノイズであるかを示す確率スコアを割り当てる。 特定のクラスのオブジェクトが含まれているのか、それとも単なる背景ノイズなのかを示す確率スコアを割り当てる。
2. バウンディング・ボックス回帰：モデルはオフセット値（中心、幅、高さの座標）を予測する。 高さ)を予測し、アンカーの寸法を調整する。 バウンディング・ボックス。

モデルのトレーニング中、アルゴリズムは IoU over Union）と呼ばれるメトリックを使用する。 どのアンカーが既知のオブジェクトと十分に重なるかを判断する。IoU 最も高いアンカーだけが、正サンプルとして扱われる。 として扱われる。この処理によって何千もの候補ボックスが生成されるため、以下のような後処理ステップが必要となる。 ノンマキシマムサプレッション(NMS) 冗長な重複を除去し、最も正確な検出のみを保持するために適用される。

アンカーベースとアンカーフリーのアーキテクチャ

これらのモデルを、最新世代のアンカーなし探知機と区別することは重要である。 アンカーなし検出器と区別することが重要である。アンカー・ベース オリジナルのFaster R-CNNや Ultralytics YOLOv5のようなアンカーベースのシステムは、アンカー 次元に依存し、アンカーを使わないモデルはオブジェクトの中心やキーポイントを直接予測する。

• アンカーベース：アンカーのサイズと比率のハイパーパラメータを定義する必要がある。 に敏感である。標準的なオブジェクトに対しては歴史的にロバストである。
• アンカー・フリー：プリセット・ボックスが不要になり、アーキテクチャが簡素化され、計算オーバーヘッドが削減される。 計算オーバーヘッドを削減します。最先端の Ultralytics YOLO11は、アンカーフリーのアプローチを採用し 特に不規則な形状の対象物に対して、優れたスピードと柔軟性を実現します。詳しくは 詳しくは YOLO11アンカーフリー設計の利点については におけるアンカーフリー設計の利点については、私たちのブログをご覧ください。

実際のアプリケーション

新しい手法の台頭にもかかわらず、アンカーベースのディテクターは、オブジェクトの形状が一貫して予測可能な多くの確立されたパイプラインで、依然として普及している。 形状が一貫しており、予測可能である。

• 自律走行：自律走行車の開発では 自律走行車の開発では、システムは確実に 車、トラック、交通標識をdetect しなければならない。車両は一般的に一貫したアスペクト比を維持するため、アンカーベース のような業界リーダーが使用する知覚スタックには、アンカーベースのモデルが効果的です。 Waymoや Mobileyeのような業界リーダーが使用する知覚スタックに有効です。
• 小売在庫管理：小売業の在庫管理 小売業のAIでは、カメラが棚を監視して在庫track する。 在庫レベルを追跡します。シリアルの箱や飲料缶のような製品は、標準化された形状をしており、調整されたアンカー・テンプレートと完全に一致する。 アンカー・テンプレートと完全に一致する標準的な形状をしているため、高精度の計数と物体追跡が可能です。 オブジェクトの追跡が可能になる。

Ultralytics実装

を使って簡単にオブジェクト検出を試すことができます。 ultralytics パッケージ最新モデルは はアンカーフリーだが、フレームワークはさまざまなアーキテクチャをサポートしている。次の例は を実行する方法を示している：

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()

アンカーベースの検出器の仕組みを理解することは、コンピュータビジョンの進化とその設計上の選択を理解するための強固な基礎となる。 コンピュータ・ビジョンの進化と 高度なアルゴリズム YOLO11や YOLO26のような将来的な反復の背後にある設計上の選択を把握するための確かな基礎となる。