Лучшие модели обнаружения объектов 2025 года

В начале этого года Эндрю Нг, пионер в области искусственного интеллекта и машинного обучения, представил концепцию агентного обнаружения объектов. Этот подход использует агента, способного к рассуждению, для detect на основе текстового запроса без необходимости использования огромных объемов обучающих данных. 

Возможность распознавать объекты на изображениях и в видео без использования огромных наборов данных с метками — это шаг к созданию более интеллектуальных и гибких систем компьютерного зрения. Однако агентское искусственное зрение все еще находится на ранней стадии развития. 

Хотя она может выполнять общие задачи, такие как обнаружение людей или дорожных знаков на изображении, более точные приложения компьютерного зрения по-прежнему полагаются на традиционные модели обнаружения объектов. Эти модели обучаются на больших, тщательно маркированных наборах данных, чтобы точно узнать, что искать и где находятся объекты.

‍

Традиционное обнаружение объектов имеет важное значение, поскольку обеспечивает как распознавание (определение того, что представляет собой объект), так и локализацию (точное определение его местоположения на изображении). Эта комбинация позволяет машинам надежно выполнять сложные реальные задачи, от автономных транспортных средств до промышленной автоматизации и диагностики в здравоохранении.

Благодаря техническому прогрессу модели обнаружения объектов продолжают совершенствоваться, становясь быстрее, точнее и лучше подходящими для реальных условий. В этой статье мы рассмотрим некоторые из лучших моделей обнаружения объектов, доступных на сегодняшний день. Приступим!

Необходимость обнаружения объектов

Задачи компьютерного зрения, такие как классификация изображений, могут использоваться для определения того, содержит ли изображение автомобиль, человека или другой объект. Однако они не могут определить, где именно в изображении находится объект.

Именно здесь может быть полезна функция обнаружения объектов. Модели обнаружения объектов могут идентифицировать присутствующие объекты, а также точно определять их местоположение. Этот процесс, известный как локализация, позволяет машинам более точно понимать ситуации и реагировать на них соответствующим образом, будь то остановка самоуправляемого автомобиля, управление роботом-манипулятором или выделение области на медицинском снимке.

Развитие глубокого обучения преобразовало процесс обнаружения объектов. Вместо того, чтобы полагаться на вручную запрограммированные правила, современные модели изучают шаблоны непосредственно из аннотаций и визуальных данных. Эти наборы данных обучают модели тому, как выглядят объекты, где они обычно появляются и как справляться с такими проблемами, как мелкие объекты, загроможденные сцены или меняющиеся условия освещения.

Фактически, современные системы обнаружения объектов могут точно detect сразу detect объектов. Это делает обнаружение объектов критически важной технологией в таких областях, как автономное вождение, робототехника, здравоохранение и промышленная автоматизация.

Как работают задачи по обнаружению объектов

Входными данными для модели обнаружения объектов является изображение, которое может быть получено с камеры, из видеокадра или даже из медицинского сканирования. Входное изображение обрабатывается с помощью нейронной сети, как правило, сверточной нейронной сети (CNN), которая обучена распознавать шаблоны в визуальных данных.

Внутри сети изображение анализируется поэтапно. На основе обнаруженных характеристик модель предсказывает, какие объекты присутствуют и где они появляются. 

Эти прогнозы представлены с помощью ограничивающих рамок, которые представляют собой прямоугольники, нарисованные вокруг каждого обнаруженного объекта. Для каждой ограничивающей рамки модель присваивает метку класса (например, автомобиль, человек или собака) и оценку достоверности, указывающую, насколько она уверена в прогнозе (это также можно рассматривать как вероятность).

‍

Весь процесс в значительной степени зависит от извлечения признаков. Модель учится распознавать полезные визуальные шаблоны, такие как края, формы, текстуры и другие отличительные характеристики. Эти шаблоны кодируются в картах признаков, которые помогают сети понимать изображение на нескольких уровнях детализации.

Обнаружение объектов: двухступенчатый и одноступенчатый

В зависимости от архитектуры модели, детекторы объектов используют различные стратегии для обнаружения объектов, балансируя скорость, точность и сложность.

Многие модели обнаружения объектов, в частности двухэтапные детекторы, такие как Faster R-CNN, фокусируются на определенных частях изображения, называемых областями интереса (ROI). Концентрируясь на этих областях, модель уделяет приоритетное внимание областям, в которых с большей вероятностью могут находиться объекты, вместо того, чтобы анализировать каждый пиксель одинаково. 

С другой стороны, одноступенчатые модели, такие как ранние YOLO , не выбирают конкретные области интереса, как это делают двухступенчатые модели. Вместо этого они делят изображение на сетку и используют заранее определенные рамки, называемые анкерными рамками, вместе с картами признаков для прогнозирования объектов по всему изображению за один проход. 

В настоящее время в передовых моделях обнаружения объектов исследуются подходы без использования анкоров. В отличие от традиционных одноэтапных моделей, которые полагаются на заранее определенные анкорные рамки, модели без анкоров прогнозируют местоположение и размеры объектов непосредственно на основе карт признаков. Это позволяет упростить архитектуру, снизить вычислительные затраты и повысить производительность, особенно при обнаружении объектов различной формы и размера.

Обзор лучших моделей обнаружения объектов

Сегодня существует множество моделей обнаружения объектов, каждая из которых разработана с учетом конкретных целей. Некоторые из них оптимизированы для работы в режиме реального времени, а другие нацелены на достижение максимальной точности. Выбор подходящей модели для решения в области компьютерного зрения часто зависит от конкретного случая использования и требований к производительности.

Далее давайте рассмотрим некоторые из лучших моделей обнаружения объектов 2025 года. 

1.YOLO Ultralytics YOLO

Одной из наиболее широко используемых семейств моделей обнаружения объектов на сегодняшний день является семействоYOLO Ultralytics YOLO . YOLO, что означает «You Only Look Once» (ты смотришь только один раз), пользуется популярностью во всех отраслях промышленности, поскольку обеспечивает высокую эффективность обнаружения, при этом будучи быстрым, надежным и простым в использовании.

YOLO Ultralytics YOLO включает Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11и готовящийся к выпуску Ultralytics , предлагают широкий выбор вариантов для различных требований к производительности и сценариям использования. Благодаря легкой конструкции и оптимизации скоростиYOLO Ultralytics YOLO идеально подходят для обнаружения в реальном времени и могут быть развернуты на периферийных устройствах с ограниченными вычислительными мощностями и объемом памяти.

‍

Помимо базового обнаружения объектов, эти модели отличаются высокой универсальностью. Они также поддерживают такие задачи, как сегментация экземпляров, которая выделяет объекты на уровне пикселей, и оценка позы, которая определяет ключевые точки на людях или объектах. Эта гибкость делаетYOLO Ultralytics YOLO оптимальным выбором для широкого спектра применений, от сельского хозяйства и логистики до розничной торговли и производства.

Еще одной важной причиной популярностиYOLO Ultralytics YOLO является Python Ultralytics Python , который предоставляет простой и удобный интерфейс для обучения, настройки и развертывания моделей. Разработчики могут начать с предварительно обученных весов, настроить модели для своих собственных наборов данных и развернуть их с помощью всего нескольких строк кода.

2. RT-DETR RT-DETRv2

RT‑DETR (Real-Time Detection Transformer) и более новая версия RT‑DETRv2 — это модели обнаружения объектов, созданные для использования в режиме реального времени. В отличие от многих традиционных моделей, они могут принимать изображение и выдавать окончательные результаты обнаружения напрямую, без использования немаксимального подавления (NMS).

NMS шаг, который удаляет лишние перекрывающиеся прямоугольники, когда модель предсказывает один и тот же объект более одного раза. Пропуск NMS и ускоряет процесс обнаружения.

Эти модели сочетают в себе CNN и трансформеры. CNN находит визуальные детали, такие как края и формы, а трансформер — это тип нейронной сети, который может рассматривать изображение целиком и понимать, как различные части связаны друг с другом. Это комплексное понимание позволяет модели detect , которые находятся близко друг к другу или перекрывают друг друга.

RT‑DETRv2 улучшает исходную модель благодаря таким функциям, как многомасштабное обнаружение, которое помогает находить как мелкие, так и крупные объекты, а также более эффективная обработка сложных сцен. Эти изменения позволяют сохранить высокую скорость работы модели и одновременно повысить ее точность.

3. RF-DETR

RF‑DETR — это модель на основе трансформатора, работающая в режиме реального времени, разработанная для объединения точности архитектур трансформаторов со скоростью, необходимой для реальных приложений. Как и RT‑DETR и RT‑DETRv2, она использует трансформатор для анализа всего изображения и CNN для извлечения мелких визуальных характеристик, таких как края, формы и текстуры. 

Модель прогнозирует объекты непосредственно из входного изображения, пропуская анкерные рамки и не максимальное подавление, что упрощает процесс обнаружения и обеспечивает быстрое выведение. RF‑DETR также поддерживает сегментацию экземпляров, что позволяет ему не только прогнозировать ограничительные рамки, но и обводить объекты на уровне пикселей.

4. Эффективный 

Выпущенная в конце 2019 года, EfficientDet — это модель обнаружения объектов, разработанная для эффективного масштабирования и высокой производительности. Отличительной особенностью EfficientDet является сложное масштабирование — метод, при котором одновременно масштабируются разрешение ввода, глубина сети и ширина сети, а не настраивается только один фактор. Такой подход помогает модели сохранять стабильную точность, независимо от того, масштабируется ли она для высокопроизводительных задач или уменьшается для облегченных развертываний.

Еще одним ключевым компонентом EfficientDet является эффективная пирамидальная сеть (FPN), которая позволяет модели анализировать изображения в нескольких масштабах. Этот многомасштабный анализ имеет решающее значение для обнаружения объектов разных размеров, позволяя EfficientDet надежно идентифицировать как мелкие, так и крупные объекты в одном и том же изображении.

5. PP-YOLOE+

Выпущенная в 2022 году, PP-YOLOE+ — это модель обнаружения объектов YOLO, то есть она обнаруживает и классифицирует объекты за один проход по изображению. Такой подход делает ее быстрой и подходящей для приложений, работающих в режиме реального времени, при этом сохраняя высокую точность.

Одним из ключевых усовершенствований PP-YOLOE+ является обучение с ориентацией на задачу, которое помогает показателям достоверности модели отражать точность определения местоположения объектов. Это особенно полезно для обнаружения небольших или перекрывающихся объектов.

‍

Модель также использует архитектуру с развязанной головкой, которая разделяет задачи прогнозирования местоположения объектов и меток классов. Это позволяет ей более точно рисовать ограничительные рамки при правильной классификации объектов. 

6. Заземление DINO

GroundingDINO — это модель обнаружения объектов на основе трансформера, которая сочетает в себе зрительное восприятие и язык. Вместо того, чтобы полагаться на фиксированный набор категорий, она позволяет пользователям detect с помощью текстовых подсказок на естественном языке. 

Сопоставляя визуальные характеристики изображения с текстовыми описаниями, модель может находить объекты, даже если точные метки не были указаны в данных для обучения. Это означает, что вы можете задать модели такие описания, как «человек в шлеме» или «красная машина возле здания», и она сгенерирует точные ограничительные рамки вокруг соответствующих объектов. 

Кроме того, благодаря поддержке функции zero-shot detection GroundingDINO снижает необходимость переобучения или тонкой настройки модели для каждого нового случая использования, что делает ее очень гибкой для широкого спектра приложений. Это сочетание понимания языка и визуального распознавания открывает новые возможности для интерактивных и адаптивных систем искусственного интеллекта.

Общие метрики, используемые для оценки детекторов объектов

Сравнивая различные модели обнаружения объектов, вы, возможно, задаетесь вопросом, как определить, какая из них действительно работает лучше всего. Это хороший вопрос, потому что помимо архитектуры модели и качества ваших данных на производительность могут влиять многие факторы. 

Исследователи часто полагаются на общие тесты и стандартные показатели производительности, чтобы последовательно оценивать модели, сравнивать результаты и понимать компромиссы между скоростью и точностью. Стандартные тесты особенно важны, поскольку многие модели обнаружения объектов оцениваются на одних и тех же наборах данных, таких как COCO . 

Измерение точности и скорости обнаружения

Ниже приведены некоторые распространенные показатели, используемые для оценки моделей обнаружения объектов:

• Пересечение над объединением (IoU): этот показатель измеряет степень пересечения прогнозируемой ограничительной рамки с фактическим объектом на изображении. Он сравнивает рамку, нарисованную моделью, с рамочкой ground-truth, которая представляет собой местоположение объекта, как оно обозначено в наборе данных. IoU как площадь пересечения, деленная на площадь объединения двух рамок. Более высокий IoU что модель размещает рамку более точно, а более низкий IoU , что прогноз менее точен. Проще говоря, IoU , насколько точно прогнозы модели соответствуют фактическому расположению объектов.

• Средняя средняя точность (mAP): это основной показатель, используемый для оценки общей эффективности обнаружения объектов. Он учитывает как количество объектов, которые модель обнаруживает правильно, так и точность этих обнаружений при различных уровнях достоверности и категориях объектов.

• Кадры в секунду (FPS) и задержка: FPS показывает, сколько изображений или видеокадров модель может обработать за одну секунду. Например, модель, работающая со скоростью 30 FPS, может обрабатывать 30 кадров в секунду. Более высокий FPS означает, что система может реагировать быстрее, что важно для таких случаев использования, как живое видео, мониторинг трафика или робототехника. Задержка, с другой стороны, измеряет, сколько времени требуется модели для обработки одного изображения или кадра с момента его получения до момента, когда результат будет готов.

Плюсы и минусы использования алгоритмов обнаружения объектов

Вот некоторые из ключевых преимуществ использования моделей обнаружения объектов в реальных приложениях:

• Масштабируемость в различных отраслях: Обнаружение объектов может применяться в широком спектре случаев, от мониторинга дорожного движения и аналитики розничной торговли до здравоохранения, сельского хозяйства и производства.
  
• Сокращает ручной труд: автоматизация визуального контроля и мониторинга снижает потребность в постоянном человеческом надзоре и помогает командам сосредоточиться на более важной работе.

• Преимущества экосистем с открытым исходным кодом: активные сообщества и ресурсы с открытым исходным кодом на GitHub упрощают доступ к предварительно обученным моделям, экспериментам и настраиваемым решениям.

Несмотря на эти преимущества, существуют практические ограничения, которые могут повлиять на работу моделей обнаружения объектов. Вот несколько важных факторов, которые следует учитывать:

• Требования к высокому качеству данных: модели обнаружения объектов для обучения используют большие, хорошо аннотированные наборы данных. Создание и поддержание таких данных может быть трудоемким, дорогостоящим и сложным для масштабирования.
  
• Вычислительные требования: модели, обеспечивающие более высокую точность обнаружения, часто требуют значительной вычислительной мощности как во время обучения, так и при развертывании в режиме реального времени. Обычно это означает использование высокопроизводительных графических процессоров, что может увеличить затраты на инфраструктуру.
  
• Чувствительность к реальным условиям: изменения освещения, углов камеры, погодных условий и сцен с большим скоплением людей могут повлиять на эффективность обнаружения, что делает необходимым постоянное тестирование и настройку.

Основные выводы 

Выбор оптимальной модели обнаружения объектов для вашего проекта компьютерного зрения зависит от конкретного случая использования, настройки данных, требований к производительности и аппаратных ограничений. Некоторые модели оптимизированы для скорости, другие — для точности, а большинство реальных приложений требуют баланса между этими двумя параметрами. Благодаря открытым фреймворкам и активным сообществам на GitHub эти модели становятся все проще в оценке, адаптации и внедрении для практического использования.

Чтобы узнать больше, посетите наш репозиторий GitHub. Присоединяйтесь к нашему сообществу и ознакомьтесь со страницами наших решений, чтобы узнать о таких приложениях, как ИИ в здравоохранении и компьютерное зрение в автомобильной промышленности. Ознакомьтесь с нашими вариантами лицензирования, чтобы начать работу с Vision AI уже сегодня.