앵커 박스

앵커 박스는 많은 객체 감지 모델의 아키텍처에서 기본 개념으로 사용되며 객체 감지 모델의 아키텍처에서 기본 개념으로 사용되며, 객체의 위치를 예측하기 위해 미리 정의된 객체의 위치와 크기를 예측하기 위한 참조 역할을 합니다. 이미지에서 임의의 크기의 물체를 처음부터 스캔하는 대신 이미지를 처음부터 스캔하는 대신, 이 모델은 특정 높이와 너비로 정의된 이러한 고정된 모양을 시작점으로 사용합니다, 또는 선행점으로 사용합니다. 이 접근 방식은 절대 좌표 예측이라는 까다로운 작업을 보다 관리하기 쉬운 규칙으로 변환하여 학습 프로세스를 간소화합니다. 예측이라는 어려운 작업을 관리하기 쉬운 회귀 문제로 변환하여 학습 프로세스를 간소화합니다. 템플릿을 조정하거나 "오프셋"하는 방법을 학습합니다. 이 기술은 다음과 같은 인기 있는 아키텍처의 성공에 중추적인 역할을 해왔습니다. 더 빠른 R-CNN 제품군 및 초기 단일 단계 검출기.

앵커 박스의 작동 방식

앵커 박스의 메커니즘은 입력 이미지를 촘촘한 그리드 중앙으로 타일링하는 것입니다. 각 그리드 셀에서 다양한 가로 세로 비율의 여러 앵커 박스와 스케일을 가진 여러 개의 앵커 박스가 생성되어 키가 큰 보행자나 넓은 차량과 같이 다양한 모양의 물체를 수용합니다. 모델 훈련 단계에서 모델 훈련 단계에서 시스템은 이러한 앵커를 실제 오브젝트에 라는 메트릭을 사용하여 이러한 앵커를 실제 오브젝트와 일치시킵니다. 교차점 오버 유니온(IoU)이라는 메트릭을 사용하여 이러한 앵커를 실제 오브젝트와 일치시킵니다. 앵커 가 대상 객체와 크게 겹치면 양성 샘플로 레이블이 지정됩니다.

탐지기의 백본은 이미지에서 특징을 추출합니다, 탐지 헤드가 각 양성 앵커에 대해 두 가지 병렬 작업을 수행하는 데 사용합니다:

• 분류: 모델은 앵커에 특정 객체가 포함될 확률을 예측합니다. 클래스가 포함될 확률을 예측하여 신뢰도 점수를 할당합니다.
• 박스 회귀: 네트워크는 앵커를 단단히 둘러싸는 최종 경계 상자로 앵커를 재구성하는 데 필요한 정확한 좌표 오프셋을 계산합니다. 를 단단히 둘러싸는 최종 바운딩 박스로 재구성하는 데 필요한 정확한 좌표 오프셋을 계산합니다. 객체를 단단히 둘러싸는 최종 바운딩 박스로 계산합니다.

동일한 오브젝트에 대한 중복 예측을 처리하기 위해 다음과 같은 후처리 단계가 필요합니다. 비 최대 억제(NMS) 필터는 를 통해 중복된 상자를 걸러내고 신뢰도가 가장 높은 상자만 유지합니다. 다음과 같은 프레임워크 PyTorch 및 TensorFlow 은 이러한 복잡한 연산을 효율적으로 구현하는 데 필요한 계산 도구를 복잡한 연산을 효율적으로 구현하는 데 필요한 계산 도구를 제공합니다.

앵커와 관련 개념

앵커 박스를 이해하려면 다음과 같은 유사한 용어와 구별해야 합니다. 컴퓨터 비전(CV).

• 앵커 박스와 바운딩 박스 비교: 앵커 박스는 처리 중 가설로 사용되는 이론적 고정 템플릿입니다. 가설로 사용되는 이론적이고 고정된 템플릿입니다. 바운딩 박스는 감지된 객체의 좌표를 포함하는 최종적이고 정제된 출력입니다.
• 앵커 기반 대 앵커 프리: 기존 앵커 기반 탐지기와 YOLOv5와 같은 기존의 앵커 기반 탐지기는 이러한 수동 사전 설정에 의존합니다. 이와는 대조적으로, 최신 앵커 프리 감지기는 Ultralytics YOLO11와 같은 최신 앵커 프리 감지기는 물체의 중심 또는 키포인트 을 직접 예측할 수 있습니다. 이러한 변화는 앵커 차원과 관련된 하이퍼파라미터 조정의 필요성을 제거하여 모델 설계를 간소화하고 차원과 관련된 하이퍼파라미터를 조정할 필요가 없어 모델 설계가 간소화되며, 종종 다음과 같은 데이터 세트의 일반화를 개선합니다. COCO.

실제 애플리케이션

앵커 박스의 구조화된 특성은 물체 모양이 일관되고 예측 가능한 환경에서 특히 효과적입니다. 특히 효과적입니다.

1. 자율 주행: 자율주행을 위해 개발된 시스템 자율 주행 차량은 자동차, 트럭, 교통 표지판과 같은 자동차, 트럭, 교통 표지판과 같은 표준 물체를 감지하는 데 의존합니다. 이러한 물체는 비교적 고정된 종횡비를 가지고 있기 때문에, 앵커 박스를 조정하여 효율적으로 캡처할 수 있습니다. 다음과 같은 회사 Waymo는 정교한 감지 파이프라인을 사용하여 복잡한 교통 상황에서 안전을 보장합니다. 안전을 보장하기 위해 정교한 감지 파이프라인을 사용합니다.
2. 소매 재고 관리: In 소매 분석에서 비전 시스템은 선반을 모니터링하여 재고 수준을 detect . 포장된 상품은 일반적으로 균일한 모양을 가지고 있기 때문에 앵커 기반 모델은 품목을 정확하게 계산하고 품절된 제품을 식별할 수 있습니다. 이 자동화는 다음을 지원합니다. AI 기반 재고 관리로 수작업을 줄입니다.

코드 예제

YOLO11 같은 최신 모델은 앵커가 없는 반면, YOLOv5 같은 이전 버전은 앵커 박스를 사용합니다. 앵커 박스 ultralytics 패키지는 이러한 복잡성을 추상화하여 사용자가 수동으로 앵커를 설정하지 않고도 추론을 실행할 수 있습니다. 다음 예제는 객체를 detect 위해 사전 학습된 모델을 로드하는 방법을 보여줍니다:

from ultralytics import YOLO

# Load a pretrained YOLOv5 model (anchor-based architecture)
model = YOLO("yolov5su.pt")

# Run inference on a static image from the web
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detected bounding boxes
results[0].show()

이러한 시스템의 수학적 기초에 관심이 있는 분들을 위해 다음과 같은 교육 플랫폼이 있습니다. Coursera 및 DeepLearning.AI와 같은 교육 플랫폼에서 심층적인 강좌를 제공합니다. 심층 강좌를 제공합니다.