Detection Head

**디텍션 헤드(detection head)**는 객체 검출 신경망 아키텍처에서 최종 의사결정 계층 역할을 합니다. 모델의 초기 계층은 이미지 내의 형태, 질감, 특징을 이해하는 역할을 담당하는 반면, 디텍션 헤드는 이 정보를 해석하여 정확히 어떤 객체가 어디에 위치해 있는지 예측하는 특정 컴포넌트입니다. 이는 특징 추출기가 생성한 추상적이고 고수준의 데이터를 실행 가능한 결과로 변환하며, 일반적으로 식별된 객체를 둘러싸는 바운딩 박스 세트와 해당 클래스 레이블 및 신뢰도 점수를 출력합니다.

Backbone 및 Neck과 Head 구분하기#

디텍션 헤드의 기능을 온전히 파악하려면, 현대의 검출기가 각각 컴퓨터 비전(CV) 파이프라인에서 고유한 목적을 수행하는 세 가지 주요 단계로 구성되어 있다고 시각화하는 것이 도움이 됩니다:

• 백본(Backbone): 네트워크의 초기 부분으로, 주로 ResNet이나 CSPNet과 같은 합성곱 신경망(CNN)입니다. 원본 입력 이미지를 처리하여 시각적 패턴을 나타내는 특징 맵(feature map)을 생성합니다.
• 넥(Neck): 백본과 헤드 사이에 위치하며, 서로 다른 스케일의 특징을 정제하고 결합합니다. 특징 피라미드 네트워크(FPN)와 같은 아키텍처는 컨텍스트를 집계하여 모델이 다양한 크기의 객체를 검출할 수 있도록 보장합니다.
• Head: Neck에서 정제된 특징을 받아 처리하는 최종 구성 요소입니다. 분류(무엇인가?)와 회귀(어디에 있는가?)라는 실제 작업을 수행합니다.

발전 과정: Anchor-Based와 Anchor-Free#

디텍션 헤드의 디자인은 속도와 정확도를 향상시키기 위해, 특히 전통적인 방법에서 현대의 실시간 추론 모델로 전환되면서 크게 발전했습니다.

• 앵커 기반 헤드(Anchor-Based Heads): 전통적인 단일 단계 객체 검출기(one-stage object detectors)는 다양한 크기의 고정된 기준 형태인 사전 정의된 앵커 박스(anchor boxes)에 의존했습니다. 헤드는 객체에 맞추기 위해 이러한 앵커를 얼마나 늘리거나 이동해야 하는지 예측했습니다. 이 접근 방식은 Faster R-CNN에 대한 기초 연구에 자세히 설명되어 있습니다.
• 앵커 프리 헤드(Anchor-Free Heads): 최신 YOLO26을 포함한 최첨단 모델은 앵커 프리 검출기(anchor-free detectors)를 활용합니다. 이 헤드들은 수동 앵커 튜닝의 필요성을 없애고, 특징 맵의 픽셀로부터 직접 객체의 중심과 크기를 예측합니다. 이는 아키텍처를 단순화하고 새로운 객체 형태로 일반화하는 모델의 능력을 향상시키며, 이는 종종 완전 합성곱 단일 단계 객체 검출(FCOS)과 연관된 기법입니다.

실제 애플리케이션 사례#

디텍션 헤드의 정밀도는 안전이 중요한 환경과 산업 환경에 인공지능(AI)을 배포하는 데 매우 중요합니다. 사용자는 Ultralytics Platform을 사용하여 데이터를 쉽게 주석 처리하고 이러한 특수 헤드를 학습시킬 수 있습니다.

• 자율 주행: 자동차용 AI에서 디텍션 헤드는 실시간으로 보행자, 신호등, 기타 차량을 구별하는 역할을 합니다. 고도로 최적화된 헤드는 차량이 즉각적으로 반응할 수 있도록 추론 지연 시간(inference latency)을 충분히 낮게 유지합니다.
• 의료 진단: 의료 영상 분석에서 디텍션 헤드는 MRI 스캔에서 종양과 같은 이상 징후를 찾도록 미세 조정됩니다. 회귀 분기는 병변의 정확한 경계를 외곽선으로 표시하는 데 극도로 정확해야 하며, 의사들의 헬스케어 솔루션 활용을 지원합니다.

코드 예제#

다음 예시는 YOLO26 모델을 로드하고 디텍션 헤드의 출력을 검사하는 방법을 보여줍니다. 추론이 실행되면 헤드가 이미지를 처리하고 좌표와 클래스 ID가 포함된 최종 boxes을 반환합니다.

from ultralytics import YOLO

# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image to utilize the detection head
results = model("https://ultralytics.com/images/bus.jpg")

# The detection head outputs are stored in results[0].boxes
for box in results[0].boxes:
    # Print the bounding box coordinates and the predicted class
    print(f"Class: {int(box.cls)}, Coordinates: {box.xywh.numpy()}")

이 상호작용은 디텍션 헤드가 복잡한 신경망 활성화 값을 개발자가 객체 추적(object tracking)이나 카운팅과 같은 다운스트림 작업에 사용할 수 있는 읽기 쉬운 데이터로 어떻게 변환하는지 보여줍니다.