Detection Head

검출 헤드는 객체 검출 신경망 아키텍처에서 최종 의사 결정 계층으로 작동합니다. 모델의 초기 계층이 이미지 내 형태, 질감 및 특징을 이해하는 역할을 담당한다면, 검출 헤드는 이 정보를 해석하여 어떤 객체가 존재하고 어디에 위치하는지 정확하게 예측하는 특정 구성 요소입니다. 검출 헤드는 특징 추출기가 생성한 추상적인 고수준 데이터를 실행 가능한 결과로 변환하며, 일반적으로 식별된 객체를 둘러싸는 바운딩 박스와 해당 클래스 레이블 및 신뢰도 점수를 함께 출력합니다.

헤드와 백본 및 넥의 구분#

검출 헤드의 기능을 완전히 이해하려면 최신 검출기가 컴퓨터 비전 (CV) 파이프라인에서 각각 고유한 목적을 수행하는 세 가지 주요 단계로 구성된다고 시각화하는 것이 도움이 됩니다.

• 백본: 네트워크의 초기 부분으로, 흔히 ResNet 또는 CSPNet과 같은 합성곱 신경망 (CNN)입니다. 원시 입력 이미지를 처리하여 시각적 패턴을 나타내는 특징 맵을 생성합니다.
• 넥: 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 합니다.
• 헤드: 넥에서 정제된 특징을 입력으로 사용하는 최종 구성 요소입니다. 분류(무엇인가?)와 회귀(어디에 있는가?)라는 실제 작업을 수행합니다.

발전 과정: 앵커 기반과 앵커 프리#

검출 헤드의 설계는 속도와 정확도를 향상하기 위해 크게 발전해 왔으며, 특히 기존 방식에서 최신 실시간 추론 모델로 전환되면서 더욱 발전했습니다.

• 앵커 기반 헤드: 기존 1단계 객체 검출기는 다양한 크기의 고정된 참조 형태인 미리 정의된 앵커 박스에 의존했습니다. 헤드는 객체에 맞도록 이러한 앵커를 얼마나 늘리거나 이동해야 하는지 예측했습니다. 이 접근 방식은 Faster R-CNN에 관한 기초 연구에 자세히 설명되어 있습니다.
• 앵커 프리 헤드: 최신 YOLO26을 비롯한 최첨단 모델은 앵커 프리 검출기를 활용합니다. 이러한 헤드는 특징 맵의 픽셀에서 객체의 중심과 크기를 직접 예측하므로 수동으로 앵커를 조정할 필요가 없습니다. 이를 통해 아키텍처가 단순해지고 새로운 객체 형태에 대한 모델의 일반화 능력이 향상됩니다. 이 기법은 흔히 완전 합성곱 1단계 객체 검출 (FCOS)과 연관됩니다.

실제 적용 사례#

검출 헤드의 정밀도는 안전이 중요한 환경과 산업 환경에 인공지능 (AI)을 배포하는 데 매우 중요합니다. 사용자는 Ultralytics Platform을 사용하여 데이터를 쉽게 어노테이션하고 이러한 특화된 헤드를 학습할 수 있습니다.

• 자율 주행: 자동차 분야의 AI에서 검출 헤드는 실시간으로 보행자, 신호등 및 다른 차량을 구분하는 역할을 담당합니다. 고도로 최적화된 헤드는 추론 지연 시간을 차량이 즉시 반응할 수 있을 만큼 낮게 유지합니다.
• 의료 진단: 의료 영상 분석에서 검출 헤드는 MRI 스캔에서 종양과 같은 이상 징후를 찾도록 미세 조정됩니다. 회귀 브랜치는 병변의 정확한 경계를 표시할 수 있도록 매우 정밀해야 하며, 이는 의사의 헬스케어 솔루션 활용을 지원합니다.

코드 예제#

다음 예제에서는 YOLO26 모델을 로드하고 해당 검출 헤드의 출력을 확인하는 방법을 보여줍니다. 추론이 실행되면 헤드는 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 상호 작용은 검출 헤드가 복잡한 신경망 활성값을 개발자가 객체 추적이나 계수와 같은 다운스트림 작업에 사용할 수 있는 읽기 쉬운 데이터로 변환하는 방식을 보여줍니다.