Преимущества того, что Ultralytics YOLO11 является детектором без использования анкоров

Если мы оглянемся на историю моделей компьютерного зрения, то концепция обнаружения объектов — ключевой задачи компьютерного зрения, которая заключается в идентификации и локализации объектов на изображении или видео — существует с 1960-х годов. Однако главная причина ее значимости в современных передовых инновациях заключается в том, что методы обнаружения объектов и архитектуры моделей с тех пор продвинулись вперед и быстро улучшились.

В предыдущей статье мы обсудили эволюцию обнаружения объектов и путь, который привел к моделям Ultralytics YOLO. Сегодня мы сосредоточимся на изучении более конкретной вехи на этом пути: перехода от детекторов на основе якорей к бесякорным детекторам.

Детекторы на основе якорей полагаются на предопределенные прямоугольники, называемые «якорями», чтобы предсказывать расположение объектов на изображении. В отличие от них, бесякорные детекторы пропускают эти предопределенные прямоугольники и вместо этого предсказывают расположение объектов напрямую.

Хотя этот сдвиг может показаться простым и логичным изменением, на самом деле он привел к серьезным улучшениям точности и эффективности обнаружения объектов. В этой статье мы разберем, как бесякорные детекторы изменили компьютерное зрение благодаря таким достижениям, как Ultralytics YOLO11.

Что такое якорь-зависимые детекторы?#

Детекторы на основе якорей используют предопределенные прямоугольники, известные как якоря, чтобы помочь находить объекты на изображении. Представь эти якоря как сетку из прямоугольников разных размеров и форм, наложенную на изображение. Затем модель корректирует эти прямоугольники так, чтобы они подходили под обнаруженные объекты. Например, если модель определяет автомобиль, она изменяет прямоугольник якоря, чтобы точнее соответствовать положению и размеру автомобиля.

Каждый якорь связан с потенциальным объектом на изображении, и во время обучения модель учится подстраивать прямоугольники якорей, чтобы лучше соответствовать расположению, размеру и соотношению сторон объекта. Это позволяет модели обнаруживать объекты в разных масштабах и ориентациях. Однако выбор правильного набора прямоугольников якорей может отнимать много времени, а процесс их тонкой настройки бывает подвержен ошибкам.

Рис. 1. Что такое прямоугольник якоря?

Хотя детекторы на основе якорей, такие как YOLOv4, хорошо себя показали во многих приложениях, у них есть определенные недостатки. Например, прямоугольники якорей не всегда хорошо совпадают с объектами разной формы или размера, что усложняет обнаружение маленьких или имеющих неправильную форму объектов для модели. Процесс выбора и тонкой настройки размеров прямоугольников якорей также может занимать много времени и требует больших ручных усилий. Кроме того, модели на основе якорей часто испытывают трудности с обнаружением перекрывающихся или заслоненных объектов, так как предопределенные прямоугольники могут плохо адаптироваться к таким более сложным сценариям.

Переход к anchor-free обнаружению объектов#

Anchor-free детекторы начали привлекать внимание в 2018 году с такими моделями, как CornerNet и CenterNet, которые применили свежий подход к обнаружению объектов, избавившись от необходимости в предопределенных якорных рамках. В отличие от традиционных моделей, которые полагаются на якорные рамки разных размеров и форм для предсказания места расположения объектов, anchor-free модели предсказывают местоположение объектов напрямую. Они фокусируются на ключевых точках или особенностях объекта, таких как центр, что упрощает процесс обнаружения и делает его быстрее и точнее.

Вот как обычно работают anchor-free модели:

• Обнаружение ключевых точек: Вместо использования предопределенных прямоугольников некоторые модели определяют важные точки на объекте, такие как центр или конкретные углы. Эти ключевые точки помогают моделям понять, где находится объект и каков его размер.
• Предсказание центра: Некоторые модели сосредоточены на предсказании центра объекта. Как только центр найден, модель может предсказать размер и положение всего объекта от этой точки.
• Регрессия тепловых карт: Многие бесякорные модели используют тепловые карты, где каждый пиксель представляет возможное расположение объекта. Более высокие значения на тепловой карте указывают на большую уверенность в том, что в этой точке присутствует объект.

Рис. 2. Обнаружение на основе якорей против бесякорного обнаружения.

Поскольку anchor-free модели не зависят от якорных рамок, у них более простая архитектура. Это означает, что они более вычислительно эффективны. Поскольку им не нужно обрабатывать множество якорных рамок, они могут обнаруживать объекты быстрее — важное преимущество в приложениях реального времени, таких как автономное вождение и видеонаблюдение.

Бесякорные модели также намного лучше справляются с маленькими, имеющими неправильную форму или заслоненными объектами. Поскольку они сосредоточены на обнаружении ключевых точек, а не на попытках подогнать прямоугольники якорей, они гораздо гибче. Это позволяет им точно обнаруживать объекты в загроможденных или сложных средах, где модели на основе якорей могут потерпеть неудачу.

Ultralytics YOLO11: anchor-free детектор#

Изначально созданные для скорости и эффективности, модели YOLO постепенно перешли от методов на основе анкеров к безанкерному детектированию, что делает такие модели, как Ultralytics YOLO11, быстрее, гибче и лучше приспособленными для широкого спектра приложений реального времени.

Вот краткий обзор того, как anchor-free дизайн развивался в разных версиях YOLO:

• Ultralytics YOLOv5u: Представила бесякорную разделенную голову Ultralytics (Anchor-Free Split Ultralytics Head), убрав необходимость в предопределенных прямоугольниках якорей. Вместо этого модель напрямую предсказывает расположение объектов на изображении, упрощая процесс и повышая гибкость и скорость.
• YOLOv6: Был использован новый метод под названием «Обучение с поддержкой якорей» (AAT), где якоря использовались только во время обучения. Это позволило модели извлекать выгоду из структуры методов на основе якорей при обучении, используя при этом бесякорное обнаружение во время выполнения для повышения скорости и адаптивности.
• Ultralytics YOLOv8: Полностью перешла на бесякорное обнаружение с помощью бесякорной разделенной головы Ultralytics. Это сделало модель быстрее и точнее, особенно для маленьких или странно изогнутых объектов, которые плохо вписываются в прямоугольники якорей.
• Ultralytics YOLO11: Развивает бесякорный подход YOLOv8, оптимизируя обнаружение еще больше за счет полного устранения прямоугольников якорей. Это приводит к более быстрому и точному обнаружению в приложениях реального времени, таких как мониторинг поведения животных и ритейл-аналитика.

Рис 3. Сравнение Ultralytics YOLOv8 и Ultralytics YOLO11.

Применение Ultralytics YOLO11 в реальном мире#

Отличный пример преимуществ детектирования без привязочных блоков с использованием Ultralytics YOLO11 — это autonomous vehicles. В самоуправляемых автомобилях быстрое и точное обнаружение пешеходов, других транспортных средств и препятствий критически важно для безопасности. Безанккорный подход YOLO11 упрощает процесс детектирования, напрямую прогнозируя ключевые точки объектов, такие как центр пешехода или границы другого автомобиля, вместо того чтобы полагаться на предопределенные привязочные блоки.

Рис. 4. Преимущества безанкерного детектирования в Ultralytics YOLO11 (Изображение автора).

Ultralytics YOLO11 не нужно настраивать или подгонять сетку привязочных блоков под каждый объект, что может быть ресурсоемким и медленным. Вместо этого он фокусируется на ключевых признаках, делая работу быстрее и эффективнее. Например, когда пешеход выходит на путь автомобиля, YOLO11 может быстро определить его местоположение, указав ключевые точки, даже если человек частично скрыт или движется. Способность адаптироваться к различным формам и размерам без привязочных блоков позволяет YOLO11 обнаруживать объекты надежнее и на более высоких скоростях, что жизненно важно для принятия решений в реальном времени в системах автономного вождения.

Другие области применения, где безанкерные возможности Ultralytics YOLO11 действительно выделяются:

• Retail and inventory management: Ultralytics YOLO11 упрощает мониторинг товаров на полках, даже если они сложены стопками или частично загорожены. Это помогает быстрее и точнее отслеживать запасы и снижает количество ошибок.
• Медицинская визуализация: YOLO11 также эффективна в здравоохранении, где она может обнаруживать опухоли или другие аномалии на медицинских сканах. Ее способность работать с объектами неправильной формы помогает повысить точность диагностики сложных состояний.
• Wildlife monitoring: В исследованиях дикой природы Ultralytics YOLO11 может отслеживать животных в густых лесах или на сложной местности, помогая исследователям наблюдать за их поведением или защищать вымирающие виды.
• Sports analytics: Ultralytics YOLO11 можно использовать для отслеживания игроков, движений мяча или других элементов в реальном времени во время спортивных мероприятий, чтобы предоставлять ценную аналитику командам, тренерам и вещателям.

Что следует учитывать при работе с anchor-free моделями#

Хотя безакорные модели, такие как Ultralytics YOLO11, обладают множеством преимуществ, у них есть и определенные ограничения. Одно из главных практических соображений заключается в том, что даже безакорные модели могут испытывать трудности при наличии окклюзий или сильно перекрывающихся объектов. Причина этого в том, что компьютерное зрение стремится имитировать человеческое зрение, и подобно тому, как нам иногда сложно распознать перекрытые объекты, ИИ-модели могут сталкиваться с аналогичными трудностями.

Еще один интересный фактор связан с обработкой предсказаний модели. Хотя архитектура бесякорных моделей проще, чем у моделей на основе якорей, в определенных случаях требуется дополнительная доработка. Например, могут потребоваться методы постобработки, такие как немаксимальное подавление (NMS), чтобы очистить перекрывающиеся предсказания или повысить точность в переполненных сценах.

Закладываем основу будущего ИИ с Ultralytics YOLO11#

Переход от детекторов на основе якоров к безакорным стал значительным достижением в обнаружении объектов. С безакорными моделями, такими как Ultralytics YOLO11, этот процесс упрощается, что приводит к улучшению как точности, так и скорости.

На примере Ultralytics YOLO11 мы увидели, как безанккорное обнаружение объектов преуспевает в приложениях реального времени, таких как самоуправляемые автомобили, видеонаблюдение и медицинская визуализация, где быстрая и точная детекция имеет решающее значение. Этот подход позволяет YOLO11 легче адаптироваться к изменяющимся размерам объектов и сложным сценам, обеспечивая лучшую производительность в различных средах.

По мере того как компьютерное зрение продолжает развиваться, обнаружение объектов будет только становиться быстрее, гибче и эффективнее.

Изучи наш репозиторий на GitHub и присоединяйся к нашему дружному сообществу, чтобы быть в курсе всего, что связано с ИИ. Посмотри, как компьютерное зрение влияет на такие сектор, как промышленность и сельское хозяйство.