Детекторы, основанные на якорях

Детекторы на основе якорей являются основополагающим классом моделей обнаружения объектов в компьютерном зрении. Для идентификации и локализации объектов на изображении эти модели используют предопределенный набор ячеек, называемых якорными ящиками. Якорные ящики - это, по сути, сетка шаблонов различных размеров и соотношений сторон, которые располагаются на изображении в виде плитки. Модель предсказывает, как сместить и масштабировать эти якорные поля, чтобы они соответствовали истинным границам объектов, а также выставляет балл доверия, указывающий на наличие объекта. Такой подход упрощает задачу поиска объектов, превращая ее в задачу регрессии и классификации относительно этих фиксированных якорей.

Яркими примерами архитектур на основе якорей являются семейство R-CNN, например Faster R-CNN, и ранние одноступенчатые детекторы, такие как SSD (Single Shot MultiBox Detector), а также многие модели YOLO, включая весьма успешную Ultralytics YOLOv5.

Как работают детекторы на основе якоря

Основная идея обнаружения на основе якорей заключается в использовании набора предопределенных опорных точек в качестве отправной точки. В процессе обучения модели детектор учится выполнять две основные задачи для каждого якорного блока:

1. Классификация: Определите, содержит ли якорная коробка интересующий вас объект или это просто фон.
2. Регрессия: Рассчитайте точные смещения (x, y, ширина, высота), необходимые для настройки якорной рамки, чтобы она плотно охватывала обнаруженный объект.

Эти предсказания делаются головкой обнаружения модели после обработки особенностей изображения, извлеченных основной частью. Поскольку один объект может быть обнаружен несколькими якорными ящиками, для отсеивания лишних обнаружений и сохранения только наиболее подходящего ящика используется этап постобработки, называемый Non-Maximum Suppression (NMS). Производительность этих моделей часто оценивается с помощью таких метрик, как средняя точность (mAP) и пересечение с объединением (IoU).

Детекторы, основанные на якорях, и безъякорные детекторы

В последние годы популярной альтернативой стали безъякорные детекторы. В отличие от моделей, основанных на якорях, безъякорные подходы предсказывают местоположение и размеры объектов напрямую, часто определяя ключевые точки (например, центры или углы объектов) или предсказывая расстояния от точки до границ объекта, что устраняет необходимость в предопределенных формах якорей.

Основные отличия включают:

• Сложность: Модели с якорями требуют тщательной разработки и настройки параметров якоря (размеров, соотношения, масштаба), которые могут зависеть от набора данных. Модели без якорей упрощают разработку головки обнаружения.
• Гибкость: Безъякорные методы могут лучше адаптироваться к объектам с необычным соотношением сторон или формам, которые не очень хорошо представлены фиксированным набором якорей.
• Эффективность: Устранение якорей может сократить количество прогнозов, которые необходимо сделать модели, что потенциально приведет к более быстрому выводу и более простой последующей обработке.

Хотя детекторы на основе якорей, такие как YOLOv4, были весьма успешными, многие современные архитектуры, включая Ultralytics YOLO11, используют безъякорные конструкции, чтобы использовать их преимущества в простоте и эффективности. Вы можете изучить преимущества безъякорного обнаружения в YOLO11 и увидеть сравнение между различными моделями YOLO.

Применение в реальном мире

Детекторы на основе якорей широко используются в различных приложениях, где объекты имеют относительно стандартные формы и размеры.

• Автономное вождение: В решениях для автомобильной промышленности эти детекторы отлично подходят для идентификации транспортных средств, пешеходов и дорожных знаков. Предсказуемые формы этих объектов хорошо согласуются с заданными опорными точками, что обеспечивает надежное обнаружение для таких компаний, как NVIDIA и Tesla.
• Аналитика розничной торговли: Для управления запасами с помощью ИИ модели на основе якорей могут эффективно сканировать полки для подсчета товаров. Единый размер и форма упакованных товаров делают их идеальными кандидатами для такого подхода, помогая автоматизировать контроль запасов.
• Безопасность и наблюдение: Идентификация людей или транспортных средств на записях стационарных камер наблюдения - еще один важный вариант использования. Это является основой для таких приложений, как руководство по системам охранной сигнализации Ultralytics.

Инструменты и обучение

Разработка и развертывание моделей обнаружения объектов, как основанных, так и не основанных на якорях, предполагает использование таких фреймворков, как PyTorch или TensorFlow, и библиотек, подобных OpenCV. Платформы, такие как Ultralytics HUB, предлагают оптимизированные рабочие процессы для обучения пользовательских моделей, управления наборами данных и развертывания решений, поддерживая различные архитектуры моделей. Для дальнейшего обучения на таких ресурсах, как Papers With Code, можно найти список самых современных моделей, а курсы на таких платформах, как DeepLearning.AI, охватывают базовые концепции.