앵커 프리 검출기

앵커 프리 디텍터는 컴퓨터 비전 아키텍처의 중요한 진화를 나타냅니다. 컴퓨터 비전 아키텍처의 중요한 진화를 나타냅니다. 미리 정의된 참조 상자에 의존하지 않고 이미지 내에서 물체를 식별하고 위치를 파악할 수 있도록 설계되었습니다. 기존 접근 방식과 달리 사전 설정된 앵커 그리드에 의존하여 객체 크기를 추정하는 기존 접근 방식과 달리, 앵커 프리 모델은 객체 감지 결과물을 이미지에서 직접 객체 감지 출력 특징을 예측합니다. 이러한 패러다임 전환은 모델 설계를 간소화하고 수동 하이퍼파라미터 조정의 필요성을 줄이며 실시간 추론 작업에 적합한 더 빠르고 효율적인 아키텍처를 구현할 수 있습니다. 실시간 추론 작업. 최신 프레임워크, 다음을 포함한 Ultralytics YOLO11를 포함한 최신 프레임워크는 대부분 이 방법론을 채택하여 다양한 데이터 세트에서 우수한 일반화를 달성합니다.

앵커 프리 탐지 메커니즘

앵커 프리 감지기의 주요 혁신은 감지 문제를 공식화하는 방식에 있습니다. 수천 개의 앵커 박스 후보를 수천 개의 앵커 박스 후보를 분류하고 정제하는 대신, 이러한 모델은 일반적으로 탐지를 하나의 점으로 처리합니다. 예측 또는 회귀 작업으로 처리합니다. 두 가지 주요 전략이 있습니다:

• 센터 기반 접근 방식: 대표적인 모델인 FCOS(완전 컨볼루션 1단계 객체 감지)와 같은 모델은 피처 맵에서 객체의 중심점을 피처 맵에서 객체의 중심점을 찾습니다. 그런 다음 네트워크는 이 중심점으로부터 경계 상자의 네 경계(왼쪽, 위, 오른쪽, 아래)까지의 거리를 회귀합니다. 경계 상자까지 거리를 회귀합니다.
• 키포인트 기반 접근 방식: 에서 영감을 얻은 포즈 추정 기법에서 영감을 얻은 이 감지기는 물체의 왼쪽 상단 및 오른쪽 하단 모서리와 같은 특정 키포인트를 식별합니다. 객체의 오른쪽 하단 모서리와 같은 특정 키포인트를 식별합니다. 그런 다음 모델은 이러한 포인트를 그룹화하여 완전한 바운딩 박스를 형성하는데, 이 방법은 코너넷과 같은 아키텍처가 개척한 방법입니다.

훈련 중에 앵커와 기준점 사이의IoUIntersection over UnionIoU와 관련된 계산을 제거하여 훈련하는 동안 앵커 프리 방법은 손실 함수 계산을 간소화하고 손실 함수 계산을 간소화하고 계산 오버헤드를 줄입니다.

앵커 기반 방식에 비해 장점

앵커 프리 기술의 영향을 이해하려면 다음과 같이 구분하는 것이 도움이 됩니다. 앵커 기반 탐지기와 구별하는 것이 도움이 됩니다. 앵커 기반 모델에서는 Ultralytics YOLOv5 또는 더 빠른 R-CNN과 같은 앵커 기반 모델의 경우, 성능은 앵커 박스 디자인에 크게 좌우됩니다. (특정 크기 및 종횡비)에 크게 좌우됩니다. 미리 정의된 앵커가 데이터 세트의 개체 모양과 일치하지 않으면, 모델의 정확도가 떨어질 수 있습니다.

앵커 프리 감지기는 몇 가지 뚜렷한 이점을 제공합니다:

• 간소화된 교육: 앵커 관련 하이퍼파라미터를 조정할 필요가 없으므로 모델 훈련이 더 간단해집니다.
• 더 나은 일반화: 이 모델은 표준 앵커 템플릿에 맞지 않는 극단적인 종횡비(예, 높은 건물이나 긴 기차 등) 표준 앵커 템플릿에 맞지 않을 수 있습니다.
• 효율성: 처리할 후보 상자가 적기 때문에 일반적으로 다음과 같은 후처리 단계가 줄어듭니다. 비-최대 억제(NMS), 더 빨라집니다.

실제 애플리케이션

앵커가 없는 디텍터의 유연성 덕분에 물체 모양이 예측하기 어려운 복잡한 실제 환경에 이상적입니다. 예측할 수 없는 복잡한 실제 환경에 이상적입니다.

• 자율 주행: 자동차 산업에서 자동차 산업에서 차량은 다양한 거리에서 다양한 거리의 보행자, 자전거 운전자, 장애물을 감지해야 합니다. 앵커 프리 모델을 사용하면 자율주행 차량의 정확한 회귀 매우 작게(멀리) 또는 매우 크게(가까이) 보이는 물체에 대한 경계 상자를 정확하게 회귀할 수 있습니다. 고정된 앵커 스케일. Waymo와 같은 기관의 선도적인 연구 결과는 이러한 유연한 감지 시스템의 중요성을 강조합니다.
• 의료 이미지 분석: 종양이나 병변과 같은 의료 스캔의 이상 징후는 표준 기하학적 형태를 따르는 경우가 거의 없습니다. 표준 기하학적 모양을 따르지 않습니다. 사용 종양 탐지를 위한YOLO11 사용 은 앵커 프리 기능을 활용하여 엑스레이나 MRI에서 불규칙한 성장의 윤곽을 정밀하게 그려 영상의학 전문의가 의료 영상 분석에 도움을 줍니다.

Ultralytics YOLO 사용한 구현

앵커 없는 아키텍처로의 전환은 최근 YOLO 세대의 주요 특징입니다. Ultralytics YOLOv8 및 YOLO11 포함합니다. 이러한 설계 선택은 최첨단 성능에 크게 기여합니다.

다음 예는 앵커가 없는 YOLO11 모델을 사용하여 추론을 로드하고 실행하는 방법을 보여줍니다. ultralytics Python 패키지.

from ultralytics import YOLO

# Load the anchor-free YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image to detect objects
# The model directly predicts boxes without anchor matching
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the detection results
results[0].show()

향후 방향

앵커 없는 탐지의 성공으로 엔드투엔드 탐지 파이프라인을 위한 길을 열었습니다. 향후 개발 예정인 곧 출시될 Ultralytics YOLO26과 같은 향후 개발의 목표는 이 접근 방식을 더욱 세분화하여 주의 메커니즘을 통합하고 최적화하여 엣지 디바이스에서의 지연 시간 단축.

이론적 토대에 관심이 있는 분들을 위해 다음과 같은 강좌를 준비했습니다. 다음과 같은 플랫폼에서 제공하는 딥 러닝 Coursera 또는 다음에서 발행한 연구 CVF(컴퓨터 비전 재단)에서 발행한 연구 자료는 객체 감지 방법론의 발전에 대한 물체 감지 방법론에 대한 광범위한 리소스를 제공합니다.