Detection Head

검출 헤드는 이미지 또는 비디오에서 객체의 존재, 위치 및 클래스에 대한 최종 예측을 수행하는 역할을 하는 객체 감지 아키텍처의 중요한 구성 요소입니다. 신경망의 끝에 위치하여 모델의 백본과 넥에서 생성된 처리된 특징 맵을 가져와서 유형적 출력으로 변환합니다. 특히 검출 헤드는 잠재적 객체를 미리 정의된 범주(예: "자동차", "사람", "개")로 분류하고 각 감지된 객체를 둘러싸는 경계 상자의 정확한 좌표를 예측하기 위해 회귀를 수행하는 두 가지 주요 작업을 수행합니다.

Detection Head 작동 방식

객체 탐지에 사용되는 일반적인 CNN(Convolutional Neural Network)에서 입력 이미지는 일련의 레이어를 통과합니다. 초기 레이어(백본)는 가장자리 및 텍스처와 같은 저수준 특징을 추출하고, 더 깊은 레이어는 더 복잡한 패턴을 캡처합니다. 탐지 헤드는 이러한 고수준 특징을 합성하여 원하는 출력을 생성하는 최종 단계입니다.

검출 헤드의 설계는 다양한 객체 검출 모델 간의 주요 차별화 요소입니다. 일부 헤드는 속도를 위해 설계되어 에지 장치에서 실시간 추론에 적합하고, 다른 헤드는 최대 정확도에 최적화되어 있습니다. 평균 정밀도(mAP)와 같은 지표로 측정되는 검출 모델의 성능은 검출 헤드의 효율성에 큰 영향을 받습니다. 모델 비교를 통해 다양한 아키텍처의 성능을 확인할 수 있습니다.

최신 아키텍처의 감지 헤드

최신 딥 러닝은 감지 헤드 설계에서 상당한 발전을 이루었습니다. 앵커 기반 감지기와 앵커 프리 감지기 간의 구별이 특히 중요합니다.

• 앵커 기반 헤드: 이러한 기존 헤드는 다양한 크기와 종횡비의 미리 정의된 상자(앵커) 세트를 사용합니다. 헤드는 이러한 앵커를 이동하고 스케일링하여 이미지의 실제 객체와 일치시키는 방법을 예측합니다.
• 앵커 프리 헤드: Ultralytics YOLO11을 포함한 최신 모델은 종종 앵커 프리 헤드를 사용합니다. 이러한 헤드는 객체 중심과 같은 키포인트를 식별하여 객체 위치를 직접 예측합니다. 이 접근 방식은 모델 설계를 단순화하고 특이한 모양의 객체에 대한 유연성을 향상시킬 수 있으며, 이에 대한 자세한 내용은 앵커 프리가 제공하는 YOLO11의 이점에 대한 블로그에서 확인할 수 있습니다.

이러한 구성 요소의 개발은 PyTorch 및 TensorFlow와 같은 강력한 프레임워크에 의존하며, 이러한 프레임워크는 맞춤형 모델을 구축하고 학습할 수 있는 도구를 제공합니다. Ultralytics HUB와 같은 플랫폼은 이 프로세스를 더욱 간소화합니다.

실제 애플리케이션

검출 헤드의 효율성은 객체 검출을 기반으로 구축된 수많은 AI 애플리케이션의 성능에 직접적인 영향을 미칩니다.

1. 자율 주행 차량: 자율 주행 자동차에서 감지 헤드는 보행자, 다른 차량 및 교통 표지판을 실시간으로 식별하고 찾는 데 필수적입니다. 이러한 예측의 속도와 정확성은 안전한 탐색에 매우 중요하며, Waymo와 같은 회사에서 널리 사용하는 기술입니다. 이를 위해서는 다양하고 역동적인 환경을 처리할 수 있는 강력한 감지 헤드가 필요합니다.
2. 보안 및 감시: 탐지 헤드는 비디오 피드에서 무단 사용자, 방치된 물체 또는 특정 이벤트를 식별하여 자동 모니터링 시스템을 강화합니다. 이 기능은 Ultralytics 보안 경보 시스템 가이드와 같은 애플리케이션에 기본적입니다.
3. 의료 영상 분석: 감지 헤드는 의료 스캔에서 종양이나 골절과 같은 이상 징후를 정확하게 찾아 방사선 전문의를 지원하여 더 빠르고 정확한 진단을 내리는 데 기여합니다. 종양 감지를 위해 YOLO11 사용에 대해 읽어보면 이 응용 분야에 대해 자세히 알아볼 수 있습니다.
4. 제조: 공장에서 탐지 헤드는 조립 라인의 제품에서 결함을 발견하여 자동화된 제조 품질 관리를 가능하게 합니다.
5. 소매 분석: 이러한 구성 요소는 재고 관리 및 고객 방문 패턴 분석과 같은 애플리케이션에 사용됩니다.

YOLOv8과 같은 모델의 정교한 감지 헤드는 광범위한 작업과 시나리오에서 높은 성능을 보장하기 위해 COCO와 같은 대규모 벤치마크 데이터 세트에서 학습됩니다. 최종 출력은 종종 NMS(Non-Maximum Suppression)와 같은 기술을 사용하여 중복 감지를 필터링하여 개선됩니다. 더 자세한 내용은 Coursera 및 DeepLearning.AI와 같은 제공업체의 온라인 강좌에서 포괄적인 학습 경로를 제공합니다.