Детекторы без Anchor

Безъякорные детекторы представляют собой значительную эволюцию в архитектуры компьютерного зрения, предназначенные для идентификации и определения местоположения объектов на изображениях без привязки к заранее определенным опорным точкам. В отличие от традиционных подходов которые зависят от сетки заданных опорных точек для оценки размеров объекта, безъякорные модели предсказывают результаты обнаружения объектов непосредственно по изображению характеристик. Такая смена парадигмы упрощает конструкцию модели, уменьшает необходимость ручной настройки гиперпараметров и часто приводит к созданию более быстрых и эффективных архитектур, подходящих для для решения задач вывода в реальном времени. Современные фреймворки, включая Ultralytics YOLO11в значительной степени переняли эту Методология позволяет достичь превосходного обобщения на различных наборах данных.

Механизмы безъякорного обнаружения

Главное новшество безъякорных детекторов заключается в том, как они формулируют задачу обнаружения. Вместо того чтобы классификации и уточнения тысяч кандидатов на якорные ящики, эти модели обычно рассматривают обнаружение как задачу предсказания точек предсказания или регрессии. Существуют две доминирующие стратегии:

• Подходы на базе центров: Эти модели, такие как основополагающая FCOS (Fully Convolutional One-Stage Object Detection), определяют местоположение центральную точку объекта на карте характеристик. Сеть Затем сеть регрессирует расстояния от этой центральной точки до четырех границ (левой, верхней, правой, нижней) ограничительного поля.
• Подходы, основанные на ключевых точках: Вдохновленные Методы оценки позы, эти детекторы определяют конкретные ключевые точки, такие как левый верхний и левый верхний и правый нижний углы объекта. Затем модель группирует эти точки для формирования полного ограничительного поля. впервые примененный в таких архитектурах, как CornerNet.

Благодаря отсутствию вычислений, связанных с пересечением союзаIoU) между опорными точками и истиной в процессе обучения обучения, безъякорные методы упрощают вычисления функции потерь и снижают вычислительные накладные расходы.

Преимущества перед методами, основанными на якорях

Чтобы понять влияние безъякорной технологии, необходимо провести различие между ней и детекторов, основанных на якорях. В основанных на якорях таких моделях, как Ultralytics YOLOv5 или Faster R-CNN, производительность в значительной степени зависит от дизайна якорных блоков (определенных размеров и соотношения сторон). Если предопределенные якоря не соответствуют форме объектов в наборе данных, точность модели может пострадать.

Безъякорные детекторы обладают рядом неоспоримых преимуществ:

• Упрощенное обучение: Они избавляют от необходимости настраивать гиперпараметры, связанные с якорем, что делает обучение модели становится более простым.
• Лучшая обобщенность: Эти модели отлично справляются с обнаружением объектов с экстремальными соотношениями сторон (например, высокие здания или длинные поезда), которые могут не подходить под стандартные шаблоны якорей.
• Эффективность: При меньшем количестве ящиков-кандидатов, подлежащих обработке, этап постобработки, обычно включающий Немаксимальное подавление (NMS), становится быстрее.

Применение в реальном мире

Гибкость безъякорных детекторов делает их идеальными для сложных реальных сред, где форма объектов непредсказуемо меняются.

• Автономное вождение: В В автомобильной промышленности транспортные средства должны detect пешеходов, велосипедистов и препятствия на различном расстоянии. Безъякорные модели позволяют автономным транспортным средствам точно регрессировать ограничительные рамки для объектов, которые кажутся очень маленькими (вдали) или очень большими (вблизи), не будучи ограниченными фиксированными масштабами привязки. Ведущие исследования таких организаций, как Waymo, подчеркивают важность таких гибких систем обнаружения.
• Анализ медицинских изображений: Аномалии на медицинских снимках, такие как опухоли или поражения, редко имеют стандартные геометрические формы. Использование YOLO11 для обнаружения опухолей Используя безъякорные возможности, можно точно очертить неравномерные образования на рентгеновских или магнитно-резонансных снимках, помогая радиологам при анализе медицинских изображений.

Реализация с помощью Ultralytics YOLO

Переход к безъякорным архитектурам - ключевая особенность последних поколений YOLO , включая Ultralytics YOLOv8 и YOLO11. Этот выбор дизайна значительно повышает их современную производительность.

В следующем примере показано, как загрузить и провести расчеты для безъякорной модели YOLO11 , используя ultralytics Пакет Python .

from ultralytics import YOLO

# Load the anchor-free YOLO11n model
model = YOLO("yolo11n.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 безъякорного обнаружения проложил путь к созданию сквозных конвейеров обнаружения. Будущие разработки, такие как такие как готовящийся к выпуску Ultralytics YOLO26, направлены на дальнейшее совершенствование этот подход путем интеграции более совершенных механизмов внимания и оптимизации для еще более более низкой задержки на пограничных устройствах.

Для тех, кто интересуется теоретическими основами, курсы по Deep Learning на таких платформах, как Coursera или исследования, опубликованные CVF (Computer Vision Foundation), предоставляют обширные ресурсы по эволюции методологии обнаружения объектов.