앵커 박스

앵커 박스는 많은 앵커 기반 객체 감지 모델의 기본 구성 요소로, 특정 높이와 너비를 가진 미리 정의된 참조 박스 세트의 역할을 합니다. 이러한 상자는 이미지에서 물체의 잠재적 위치와 규모에 대한 사전 정보, 즉 교육된 추측의 역할을 합니다. 모델은 무작정 객체를 검색하는 대신 이러한 앵커를 시작점으로 사용하여 오프셋을 예측하여 실제 객체와 일치하도록 위치와 크기를 세분화합니다. 이 접근 방식은 객체 로컬라이제이션의 복잡한 작업을 처음부터 상자를 생성하는 대신 모델이 이러한 템플릿을 조정하는 방법을 학습하는 보다 관리하기 쉬운 회귀 문제로 변환합니다.

앵커 박스의 작동 방식

핵심 메커니즘은 다양한 위치에 조밀하게 배열된 앵커 박스로 이미지를 타일링하는 것입니다. 각 위치마다 축척과 종횡비가 다른 여러 개의 앵커를 사용하여 다양한 모양과 크기의 물체를 효과적으로 감지할 수 있도록 합니다. 모델 훈련 과정에서 감지기의 백본은 먼저 입력 이미지에서 특징 맵을 추출합니다. 그런 다음 감지 헤드는 이러한 특징을 사용하여 각 앵커 박스에 대해 두 가지 작업을 수행합니다:

• 분류: 앵커 박스에 관심 개체가 포함될 확률을 예측하여 클래스 레이블과 신뢰 점수를 할당합니다.
• 회귀: 앵커 박스를 개체를 단단히 둘러싸는 최종 경계 상자로 변환하는 데 필요한 정밀한 조정(또는 오프셋)을 계산합니다.

이 모델은 학습 중에 기준값 오브젝트와 가장 잘 일치하는 앵커 박스를 결정하기 위해 IoU(Intersection over Union) 와 같은 메트릭을 사용합니다. 예측 후에는 비최대 억제(NMS) 라는 후처리 단계를 적용하여 동일한 객체에 대한 중복 및 겹치는 박스를 제거합니다.

앵커 박스 대 다른 개념

컴퓨터 비전에서 앵커 박스와 관련 용어를 구별하는 것이 중요합니다:

• 바운딩 박스: 앵커 박스는 감지 프로세스 중에 사용되는 사전 정의된 템플릿이며, 바운딩 박스는 감지된 객체를 정확하게 위치 지정하는 최종적이고 정제된 결과물입니다.
• 앵커 프리 디텍터: YOLOv5 및 Faster R-CNN 제품군과 같은 앵커 기반 모델은 이러한 사전 설정에 의존하지만, 최신 아키텍처는 점점 더 앵커 프리 디텍터로 전환하고 있습니다. Ultralytics YOLO11과 같은 모델은 키포인트 또는 중심을 식별하여 물체 위치를 직접 예측하므로 모델 설계가 간소화되고 비정형적인 형태의 물체에 대한 성능을 향상시킬 수 있습니다. 앵커 프리 설계의 이점에 대한 자세한 내용은 YOLO11에서 확인할 수 있습니다.

실제 애플리케이션

앵커 박스의 구조화된 접근 방식은 사물의 모양과 크기를 예측할 수 있는 시나리오에서 효과적입니다.

1. 자율 주행: 자동차 산업을 위한 솔루션에서 앵커 기반 감지기는 자동차, 보행자, 교통 표지판을 식별하는 데 탁월한 성능을 발휘합니다. 이러한 물체의 종횡비가 비교적 일정하기 때문에 사전 정의된 앵커와 잘 정렬되어 NVIDIA 및 Tesla와 같은 회사에서 개발한 시스템에서 안정적인 감지가 가능합니다.
2. 리테일 분석: AI 기반 재고 관리의 경우, 이 모델은 진열대를 효율적으로 스캔하여 제품을 계산할 수 있습니다. 포장된 상품의 크기와 모양이 균일하기 때문에 재고 모니터링을 자동화하고 수작업을 줄이는 데 도움이 되는 앵커 기반 접근 방식에 이상적입니다.

이러한 모델은 일반적으로 PyTorch 및 TensorFlow와 같은 강력한 딥 러닝 프레임워크를 사용하여 개발됩니다. 지속적인 학습을 위해 DeepLearning.AI와 같은 플랫폼에서는 컴퓨터 비전 기초에 대한 포괄적인 과정을 제공합니다.