Anchor-Free Detectors

Детекторы без якорей представляют собой современный класс архитектур обнаружения объектов, которые идентифицируют и локализуют цели на изображениях без использования предопределенных опорных коробок. В отличие от традиционных подходов, зависящих от сетки предустановленных якорей для оценки размеров, эти модели предсказывают ограничивающие рамки напрямую на основе признаков изображения. Этот сдвиг парадигмы упрощает проектирование моделей, снижает потребность в ручной настройке гиперпараметров и часто приводит к созданию более быстрых и эффективных архитектур, подходящих для вывода в реальном времени. Современные фреймворки, включая Ultralytics YOLO26, используют эту методологию для достижения превосходной генерализации на разнообразных наборах данных.

Механизмы детектирования без анкоров#

Основная инновация детекторов без якорей заключается в том, как они формулируют задачу локализации. Вместо классификации и уточнения тысяч кандидатов в якорные рамки эти модели обычно рассматривают обнаружение как задачу предсказания точек или регрессии. Анализируя карты признаков, созданные базовой сетью, модель определяет вероятность того, что конкретный пиксель соответствует объекту.

В этой области доминируют две стратегии:

• Подходы на основе центра: Модели, такие как основополагающий FCOS (Fully Convolutional One-Stage Object Detection), определяют центральную точку объекта. Затем сеть выполняет регрессию расстояний от этого центрального пикселя до четырех границ (левой, верхней, правой, нижней) ограничивающей рамки.
• Подходы на основе ключевых точек: Вдохновленные методами оценки позы, эти детекторы идентифицируют определенные ключевые точки, такие как левый верхний и правый нижний углы объекта. Затем модель группирует эти точки для формирования полного обнаружения — метод, используемый такими архитектурами, как CornerNet.

Сравнение с методами на основе анкоров#

Чтобы понять значение технологии без якорей, важно отличать ее от детекторов на основе якорей. В моделях на основе якорей, таких как устаревший YOLOv5 или оригинальный Faster R-CNN, производительность сильно зависит от дизайна якорных рамок — конкретных шаблонов рамок с фиксированными размерами и соотношениями сторон.

Различия включают:

• Настройка гиперпараметров: Методы на основе якорей требуют тщательной настройки размеров якорей в соответствии с набором данных, часто с использованием алгоритмов, таких как кластеризация k-means. Бесякорные методы полностью исключают этот шаг.
• Генерализация: Бесякорные модели превосходно справляются с обнаружением объектов с экстремальными соотношениями сторон — таких как высокие здания или тонкие инструменты, — которые могут не помещаться в стандартные якорные шаблоны, встречающиеся в таких наборах данных, как Microsoft COCO.
• Вычисления: Исключая вычисления, связанные с пересечением по объединению (IoU) между тысячами якорей и истинными рамками во время обучения, бесякорные методы оптимизируют функцию потерь и снижают вычислительные затраты.

Реальные приложения#

Гибкость детекторов без анкоров делает их идеальными для сложных условий, где формы объектов меняются непредсказуемо.

• Автономное вождение: В автомобильной промышленности транспортные средства должны обнаруживать пешеходов, велосипедистов и препятствия на разных расстояниях. Бесякорные модели позволяют автономным транспортным средствам точно выполнять регрессию ограничивающих рамок для объектов, которые выглядят очень маленькими (далеко) или очень большими (близко), без ограничений со стороны фиксированных масштабов якорей.
• Анализ аэрофотоснимков: Объекты при анализе спутниковых изображений часто отображаются под произвольными ориентациями и в разных масштабах. Детекторы без якорей часто используются в дронах и БПЛА для идентификации инфраструктуры или мониторинга изменений окружающей среды, так как они могут адаптироваться к различным углам обзора лучше, чем жесткие сетки якорей.

Реализация с помощью Ultralytics#

Переход к бесякорным архитектурам является ключевой особенностью последних поколений YOLO, в частности Ultralytics YOLO26. Этот выбор дизайна существенно способствует их способности эффективно работать на устройствах edge AI. Пользователи могут обучать эти модели на собственных данных с помощью Ultralytics Platform, что упрощает управление наборами данных и облачное обучение.

Следующий пример демонстрирует, как загрузить и запустить вывод с помощью бесякорной модели YOLO26 с использованием пакета Python ultralytics.

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()

Перспективы развития#

Успех бесякорного обнаружения проложил путь к полностью сквозным конвейерам обнаружения. Будущие разработки направлены на дальнейшее совершенствование этого подхода путем интеграции более продвинутых механизмов внимания и оптимизации для еще меньшей задержки с использованием таких компиляторов, как TensorRT.

Отделив предсказание от фиксированных геометрических априорных данных, 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 ИИ-решений.