Детекторы на основе Anchor

Якорные детекторы - это фундаментальный класс моделей, используемых в компьютерном зрении (КВ) для решения задачи обнаружения объектов. Эти системы опираются на предопределенный набор ограничивающих рамок, известных как якорных ящиков, которые выступают в качестве опорных шаблонов, расположенных по всему изображению. Вместо того чтобы пытаться предсказать местоположение объекта с нуля, сеть вычисляет, насколько сместить и масштабировать эти фиксированные опорные точки, чтобы плотно подогнать их под объекты в сцене. Такой подход, по сути, превращает сложную задачу локализации в структурированную задачу регрессии, обеспечивая стабильную отправную точку для моделей глубокого обучения (DL) для изучения пространственных иерархии.

Механизмы обнаружения на основе якорей

Процесс работы детектора на основе якорей включает в себя создание плотной сетки якорей на входном изображении, каждый из которых имеет разный масштаб и соотношение сторон для захвата объектов различных размеров и форм. разного масштаба и соотношения сторон, чтобы захватить объекты разных размеров и форм. По мере прохождения изображения через через основу модели, извлекаются и анализируются карты признаков. Для каждого местоположения якоря головка обнаружения выполняет два одновременных предсказания:

1. Классификация: Модель присваивает оценку вероятности, указывающую, содержит ли якорь определенный класс объектов или просто фоновый шум.
2. Регрессия граничного поля: Модель предсказывает значения смещения (координаты центра, ширины и высоты) для корректировки размеров якоря, чтобы он соответствовал истинному ограничительной рамкой.

Во время обучения модели алгоритмы используют метрику, называемую Пересечение над объединением (IoU), чтобы чтобы определить, какие якоря в достаточной степени пересекаются с известными объектами. Только якоря с наибольшим IoU рассматриваются как положительные образцы. Поскольку этот процесс порождает тысячи ящиков-кандидатов, на этапе постобработки, известном как Немаксимальное подавление (NMS). чтобы удалить лишние наложения и сохранить только самые точные обнаружения.

Архитектуры, основанные на якорях, и архитектуры без якорей

Важно отличать эти модели от современного поколения безъякорных детекторов. В то время как основанные на якорях системы, такие как оригинальная Faster R-CNN и Ultralytics YOLOv5 полагаются на ручную настройку размеров якорей В то время как модели без якорей напрямую предсказывают центры объектов или ключевые точки.

• Основанные на якорях: Требует определения гиперпараметров для размеров и соотношения якорей, которые могут быть чувствительны к конкретным наборам данных. Они исторически надежны для стандартных объектов.
• Без якорей: устраняет необходимость в предустановленных ящиках, упрощая архитектуру и снижая вычислительные затраты. Современный Ultralytics YOLO11 использует безъякорный подход для для достижения превосходной скорости и гибкости, особенно для объектов с неправильной геометрией. Вы можете прочитать больше о на о преимуществах безъякорной конструкции в YOLO11 в нашем блоге.

Применение в реальном мире

Несмотря на появление новых методов, детекторы на основе якорей по-прежнему преобладают во многих устоявшихся конвейерах, где форма объектов формы являются постоянными и предсказуемыми.

• Автономное вождение: При разработке автономных транспортных средств, системы должны надежно detect легковые и грузовые автомобили, а также дорожные знаки. Поскольку автомобили обычно имеют одинаковое соотношение сторон, модели на основе якорей модели эффективны для стеков восприятия, используемых такими лидерами отрасли, как Waymo и Mobileye.
• Управление запасами в розничной торговле: Для ИИ в розничной торговле, камеры следят за полками, чтобы track уровень запасов. Такие товары, как коробки для хлопьев или банки для напитков, имеют стандартную форму, которая идеально совпадает с настроенными шаблоны якорей, что позволяет вести высокоточный подсчет и отслеживания объектов.

Реализация с помощью Ultralytics

Вы можете легко экспериментировать с обнаружением объектов, используя ultralytics упаковка. Хотя последние модели являются безъякорными, фреймворк поддерживает различные архитектуры. Следующий пример демонстрирует, как запустить вывод на изображении с помощью предварительно обученной модели:

from ultralytics import YOLO

# Load a pre-trained object detection model
# Note: YOLOv5 is a classic example of an anchor-based architecture
model = YOLO("yolov5su.pt")

# Perform inference on a local image
results = model("path/to/image.jpg")

# Display the resulting bounding boxes and class labels
results[0].show()

Понимание механики работы детекторов на основе якорей обеспечивает прочную основу для понимания эволюции компьютерного зрения и выбора дизайна, лежащего в основе передовых алгоритмов, таких как YOLO11 и будущих итераций, таких как YOLO26.