Детекторы без Anchor

Детекторы без якорей представляют собой современный класс архитектур обнаружения объектов, которые идентифицируют и локализуют цели на изображениях, не полагаясь на заранее определенные опорные рамки. В отличие от традиционных подходов, которые полагаются на сетку заранее установленных якорей для оценки размеров, эти модели прогнозируют ограничительные рамки непосредственно на основе особенностей изображения. Этот сдвиг парадигмы упрощает проектирование моделей, снижает необходимость в ручной настройке гиперпараметров и часто приводит к созданию более быстрых и эффективных архитектур, подходящих для вывода в реальном времени. Современные фреймворки, включая Ultralytics , приняли эту методологию для достижения превосходной обобщаемости по различным наборам данных.

Механизмы безъякорного обнаружения

Основная инновация детекторов без якорей заключается в том, как они формулируют задачу локализации. Вместо того, чтобы классифицировать и уточнять тысячи кандидатов в якорные рамки, эти модели обычно рассматривают обнаружение как задачу точечного прогнозирования или регрессии. Анализируя карты признаков, сгенерированные базовой сетью, модель определяет вероятность того, что конкретный пиксель соответствует объекту.

В этой области существует две доминирующие стратегии:

• Центровые подходы: такие модели, как основополагающая FCOS (Fully Convolutional One-Stage Object Detection), определяют центр объекта. Затем сеть регрессирует расстояния от этого центрального пикселя до четырех границ (слева, сверху, справа, снизу) ограничивающей рамки.
• Подходы на основе ключевых точек: вдохновленные методами оценки позы, эти детекторы идентифицируют определенные ключевые точки, такие как верхний левый и нижний правый углы объекта. Затем модель группирует эти точки, чтобы сформировать полное обнаружение, метод, используемый архитектурами, такими как CornerNet.

Сравнение с методами на основе якорей

Чтобы понять значение технологии без якорей, необходимо отличать ее от детекторов на основе якорей. В моделях на основе якорей, таких как устаревшая YOLOv5 или оригинальной Faster R-CNN, производительность в значительной степени зависит от дизайна анкерных рамок— специальных шаблонов рамок с фиксированными размерами и соотношением сторон.

Различия включают:

• Настройка гиперпараметров: методы на основе якорей требуют тщательной настройки размеров якорей в соответствии с набором данных, часто с использованием таких алгоритмов, как кластеризация k-средних. Методы без якорей полностью исключают этот шаг.
• Обобщение: Модели без анкеров превосходно подходят для обнаружения объектов с экстремальными соотношениями сторон, таких как высокие здания или тонкие предметы, которые могут не вписываться в стандартные шаблоны анкеров, встречающиеся в наборах данных, таких как Microsoft COCO.
• Вычисления: устраняя вычисления, связанные с пересечением над объединением (IoU) между тысячами анкеров и ящиками с реальными данными во время обучения, методы без анкеров оптимизируют функцию потерь и снижают вычислительные затраты.

Применение в реальном мире

Гибкость детекторов без анкеров делает их идеальными для сложных сред, где формы объектов варьируются непредсказуемо.

• detect номное вождение: в автомобильной промышленности транспортные средства должны обнаруживать пешеходов, велосипедистов и препятствия на различном расстоянии. Модели без анкеров позволяют автономным транспортным средствам точно регрессировать ограничительные рамки для объектов, которые кажутся очень маленькими (далекими) или очень большими (близкими), не будучи ограниченными фиксированными масштабами анкеров.
• Анализ аэрофотоснимков: объекты в анализе спутниковых изображений часто появляются в произвольной ориентации и масштабе. Детекторы без анкеров часто используются в дронах и БПЛА для идентификации инфраструктуры или мониторинга изменений окружающей среды, поскольку они могут лучше адаптироваться к различным углам обзора, чем жесткие анкерные сетки.

Реализация с помощью Ultralytics

Переход к архитектурам без якорей является ключевой особенностью последних YOLO , в частности Ultralytics . Этот выбор дизайна в значительной степени способствует их способности эффективно работать на периферийных устройствах искусственного интеллекта. Пользователи могут обучать эти модели на пользовательских данных с помощью Ultralytics , которая упрощает управление наборами данных и обучение в облаке.

Следующий пример демонстрирует, как загрузить и запустить инференцию с помощью модели YOLO26 без анкоров, используя ultralytics Пакет Python .

from ultralytics import YOLO

# Load the anchor-free YOLO26n model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
# The model directly predicts boxes without anchor matching
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the detection results
results[0].show()

Будущие направления

Успех обнаружения без анкоров проложил путь для полностью сквозных конвейеров обнаружения. Будущие разработки направлены на дальнейшее усовершенствование этого подхода путем интеграции более продвинутых механизмов внимания и оптимизации для еще меньшей задержки с помощью компиляторов, таких как TensorRT.

Отделив прогнозирование от фиксированных геометрических априорных значений, детекторы без якорей сделали компьютерное зрение более доступным и надежным. Будь то анализ медицинских изображений или промышленная автоматизация, эти модели обеспечивают адаптивность, необходимую для современных решений в области искусственного интеллекта.