Преимущества Ultralytics YOLO11 как детектора без якорей

Если оглянуться на историю моделей Vision AI, концепция обнаружения объектов — ключевой задачи компьютерного зрения, которая включает распознавание и определение местоположения объектов на изображении или видео, — существует с 1960-х годов. Однако главная причина её значимости для передовых инноваций сегодня заключается в том, что методы обнаружения объектов и архитектуры моделей с тех пор значительно развились и быстро совершенствовались.

В предыдущей статье мы обсудили эволюцию обнаружения объектов и путь, который привёл к моделям Ultralytics YOLO. Сегодня мы рассмотрим более конкретную веху этого развития: переход от детекторов на основе якорей к безанкорным детекторам.

Детекторы на основе якорей используют заранее заданные рамки, называемые «якорями», чтобы предсказывать местоположение объектов на изображении. В отличие от них, безанкорные детекторы не используют эти заранее заданные рамки, а напрямую предсказывают местоположение объектов.

Хотя это изменение может показаться простым и логичным, на практике оно привело к значительному повышению точности и эффективности обнаружения объектов. В этой статье мы разберёмся, как безанкорные детекторы изменили компьютерное зрение благодаря таким разработкам, как Ultralytics YOLO11.

Что такое детекторы на основе якорей?#

Детекторы на основе якорей используют заранее заданные рамки, известные как якоря, чтобы помогать находить объекты на изображении. Представь эти якоря как сетку рамок разных размеров и форм, наложенную на изображение. Затем модель корректирует эти рамки, чтобы они соответствовали обнаруженным объектам. Например, если модель распознаёт автомобиль, она изменит рамку-якорь, чтобы точнее определить положение и размер автомобиля.

Каждый якорь связан с возможным объектом на изображении, и во время обучения модель учится корректировать рамки-якоря, чтобы они лучше соответствовали местоположению, размеру и соотношению сторон объекта. Это позволяет модели обнаруживать объекты разных размеров и ориентаций. Однако выбор подходящего набора рамок-якорей может занимать много времени, а процесс их тонкой настройки может быть подвержен ошибкам.

Рис. 1. Что такое рамка-якорь?

Хотя детекторы на основе якорей, например YOLOv4, хорошо показали себя во многих приложениях, у них есть и недостатки. Например, рамки-якоря не всегда хорошо соответствуют объектам разных форм и размеров, из-за чего модели сложнее обнаруживать маленькие объекты или объекты неправильной формы. Выбор и тонкая настройка размеров рамок-якорей также могут занимать много времени и требуют значительных ручных усилий. Кроме того, модели на основе якорей часто испытывают трудности при обнаружении закрытых или перекрывающихся объектов, поскольку заранее заданные рамки могут плохо адаптироваться к таким сложным ситуациям.

Переход к безанкорному обнаружению объектов#

Безанкорные детекторы начали привлекать внимание в 2018 году благодаря таким моделям, как CornerNet и CenterNet, которые предложили новый подход к обнаружению объектов, устранив необходимость в заранее заданных рамках-якорях. В отличие от традиционных моделей, использующих рамки-якоря разных размеров и форм для предсказания местоположения объектов, безанкорные модели напрямую предсказывают местоположение объектов. Они фокусируются на ключевых точках или признаках объекта, например на его центре, что упрощает процесс обнаружения, а также делает его быстрее и точнее.

В целом безанкорные модели работают следующим образом:

• Обнаружение ключевых точек: вместо заранее заданных рамок некоторые модели определяют важные точки объекта, например центр или отдельные углы. Эти ключевые точки помогают моделям определить местоположение и размер объекта.
• Предсказание центра: некоторые модели фокусируются на предсказании центра объекта. Определив центр, модель может предсказать размер и положение всего объекта.
• Регрессия тепловой карты: многие безанкорные модели используют тепловые карты, в которых каждый пиксель представляет возможное местоположение объекта. Более высокие значения тепловой карты указывают на большую уверенность в наличии объекта в этой точке.

Рис. 2. Обнаружение на основе якорей и безанкорное обнаружение.

Поскольку безанкорные модели не используют рамки-якоря, их конструкция проще. Это означает, что они эффективнее с точки зрения вычислений. Так как им не нужно обрабатывать множество рамок-якорей, они могут быстрее обнаруживать объекты — важное преимущество для приложений реального времени, таких как автономное вождение и видеонаблюдение.

Безанкорные модели также значительно лучше справляются с маленькими, объектами неправильной формы и закрытыми объектами. Поскольку они фокусируются на обнаружении ключевых точек, а не на попытках подогнать рамки-якоря, они гораздо гибче. Это позволяет им точно обнаруживать объекты в загромождённых или сложных условиях, где модели на основе якорей могут не справиться.

Ultralytics YOLO11: безанкорный детектор#

Изначально разработанные с упором на скорость и эффективность, модели YOLO постепенно перешли от методов на основе якорей к безанкорному обнаружению, благодаря чему такие модели, как Ultralytics YOLO11, стали быстрее, гибче и лучше подходят для широкого спектра приложений реального времени.

Кратко рассмотрим, как безанкорная архитектура развивалась в разных версиях YOLO:

• Ultralytics YOLOv5u: представила безанкорную раздельную голову Ultralytics, устранив необходимость в заранее заданных рамках-якорях. Вместо этого модель напрямую предсказывает местоположение объектов на изображении, что упрощает процесс и повышает гибкость и скорость.
• YOLOv6: использовала новый метод под названием обучение с поддержкой якорей (AAT), в котором якоря применялись только во время обучения. Это позволило модели использовать преимущества структуры методов на основе якорей во время обучения, сохраняя при этом безанкорное обнаружение во время выполнения для большей скорости и адаптивности.
• Ultralytics YOLOv8: полностью перешла на безанкорное обнаружение, используя безанкорную раздельную голову Ultralytics. Благодаря этому модель стала быстрее и точнее, особенно при работе с маленькими объектами или объектами необычной формы, которые плохо соответствуют рамкам-якорям.
• Ultralytics YOLO11: развивает безанкорный подход YOLOv8, ещё больше оптимизируя обнаружение за счёт полного отказа от рамок-якорей. В результате обнаружение становится быстрее и точнее в приложениях реального времени, таких как мониторинг поведения животных и аналитика в розничной торговле.

Рис. 3. Сравнение Ultralytics YOLOv8 и Ultralytics YOLO11.

Применение Ultralytics YOLO11 в реальных условиях#

Отличный пример преимуществ безанкорного обнаружения с использованием Ultralytics YOLO11 — автономные транспортные средства. В беспилотных автомобилях быстрое и точное обнаружение пешеходов, других транспортных средств и препятствий критически важно для безопасности. Безанкорный подход YOLO11 упрощает процесс обнаружения, напрямую предсказывая ключевые точки объектов, например центр пешехода или границы другого транспортного средства, вместо использования заранее заданных рамок-якорей.

Рис. 4. Преимущества безанкорного обнаружения в Ultralytics YOLO11 (изображение автора).

Ultralytics YOLO11 не нужно подгонять сетку якорей под каждый объект, что может быть вычислительно затратно и медленно. Вместо этого модель фокусируется на ключевых признаках, благодаря чему работает быстрее и эффективнее. Например, когда пешеход выходит на траекторию движения автомобиля, YOLO11 может быстро определить его местоположение, выделив ключевые точки, даже если человек частично скрыт или движется. Способность адаптироваться к различным формам и размерам без рамок-якорей позволяет YOLO11 надёжнее и быстрее обнаруживать объекты, что жизненно важно для принятия решений в реальном времени в системах автономного вождения.

К другим применениям, в которых безанкорные возможности Ultralytics YOLO11 особенно заметны, относятся:

• Розничная торговля и управление запасами: Ultralytics YOLO11 упрощает мониторинг товаров на полках, даже если они сложены друг на друга или частично закрыты. Это помогает быстрее и точнее отслеживать запасы и снижает количество ошибок.
• Медицинская визуализация: YOLO11 также эффективна в здравоохранении, где может обнаруживать опухоли и другие аномалии на медицинских снимках. Способность работать с объектами неправильной формы помогает повысить точность диагностики сложных заболеваний.
• Мониторинг дикой природы: в исследованиях дикой природы Ultralytics YOLO11 может отслеживать животных в густых лесах или труднопроходимой местности, помогая исследователям наблюдать за их поведением и защищать исчезающие виды.
• Спортивная аналитика: Ultralytics YOLO11 можно использовать для отслеживания игроков, движения мяча и других элементов в реальном времени во время спортивных мероприятий, чтобы предоставлять ценную информацию командам, тренерам и вещателям.

Что учитывать при работе с безанкорными моделями#

Хотя безанкорные модели, такие как Ultralytics YOLO11, предлагают множество преимуществ, у них есть и определённые ограничения. Одно из основных практических соображений заключается в том, что даже безанкорные модели могут испытывать трудности с закрытыми или сильно перекрывающимися объектами. Это объясняется тем, что компьютерное зрение стремится воспроизвести человеческое зрение, и, подобно тому как нам иногда сложно распознать закрытые объекты, модели AI могут сталкиваться с аналогичными проблемами.

Ещё один интересный фактор связан с обработкой предсказаний модели. Хотя архитектура безанкорных моделей проще, чем у моделей на основе якорей, в некоторых случаях требуется дополнительное уточнение. Например, для очистки перекрывающихся предсказаний или повышения точности в переполненных сценах могут потребоваться методы постобработки, такие как подавление немаксимумов (NMS).

Будущее AI с Ultralytics YOLO11: отказ от якорей#

Переход от обнаружения на основе якорей к безанкорному обнаружению стал значительным достижением в области обнаружения объектов. Благодаря безанкорным моделям, таким как Ultralytics YOLO11, процесс упростился, что привело к повышению как точности, так и скорости.

На примере Ultralytics YOLO11 мы увидели, как безанкорное обнаружение объектов превосходно справляется с задачами реального времени, такими как беспилотные автомобили, видеонаблюдение и медицинская визуализация, где критически важны быстрые и точные результаты. Такой подход позволяет YOLO11 легче адаптироваться к объектам разных размеров и сложным сценам, обеспечивая более высокую производительность в разнообразных условиях.

По мере дальнейшего развития компьютерного зрения обнаружение объектов будет становиться ещё быстрее, гибче и эффективнее.

Посети наш репозиторий на GitHub и присоединяйся к нашему активному сообществу, чтобы быть в курсе всех новостей AI. Узнай, как Vision AI влияет на такие отрасли, как производство и сельское хозяйство.