Anchor-Free Detectors

Детекторы без якорей представляют собой современный класс архитектур обнаружения объектов, которые идентифицируют и локализуют цели на изображениях без опоры на заранее заданные эталонные рамки. В отличие от традиционных подходов, использующих сетку предустановленных якорей для оценки размеров, эти модели напрямую предсказывают ограничивающие рамки на основе признаков изображения. Такая смена парадигмы упрощает проектирование моделей, снижает необходимость ручной настройки 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 более эффективного обобщения на различных наборах данных.

Механизмы обнаружения без якорей#

Основная инновация детекторов без якорей заключается в способе формулировки задачи локализации. Вместо классификации и уточнения тысяч кандидатов на роль якорных рамок эти модели обычно рассматривают обнаружение как задачу предсказания точки или регрессии. Анализируя карты признаков, созданные магистральной сетью, модель определяет вероятность того, что определённый пиксель соответствует объекту.

В этой области доминируют две стратегии:

• Подходы на основе центра: такие модели, как новаторская FCOS (полностью свёрточное одностадийное обнаружение объектов), находят центральную точку объекта. Затем сеть вычисляет регрессией расстояния от этого центрального пикселя до четырёх границ (левой, верхней, правой и нижней) ограничивающей рамки.
• Подходы на основе ключевых точек: вдохновлённые методами оценки позы, эти детекторы определяют конкретные ключевые точки, например верхний левый и нижний правый углы объекта. Затем модель объединяет эти точки, формируя полноценное обнаружение; такой метод используется в архитектурах вроде CornerNet.

Сравнение с методами на основе якорей#

Чтобы понять значение технологии без якорей, важно отличать её от детекторов на основе якорей. В моделях на основе якорей, таких как устаревшая YOLOv5 или оригинальная Faster R-CNN, производительность в значительной степени зависит от проектирования якорных рамок — 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 таких алгоритмов, как кластеризация k-means. Методы без якорей полностью исключают этот этап.
• Обобщение: модели без якорей превосходно обнаруживают объекты с экстремальными соотношениями сторон — например, высокие здания или тонкие столовые приборы, — которые могут не соответствовать стандартным шаблонам якорей в таких наборах данных, как Microsoft COCO.
• Вычисления: за счёт исключения вычислений, связанных с пересечением по объединению (IoU) между тысячами якорей и эталонными рамками во время обучения, методы без якорей упрощают функцию потерь и снижают вычислительные затраты.

Практические применения#

Благодаря своей гибкости детекторы без якорей идеально подходят для сложных сред, где формы объектов непредсказуемо варьируются.

• Автономное вождение: в автомобильной отрасли транспортные средства должны обнаруживать пешеходов, велосипедистов и препятствия на различных расстояниях. Модели без якорей позволяют автономным транспортным средствам точно вычислять регрессией ограничивающие рамки объектов, которые выглядят очень маленькими (на большом расстоянии) или очень большими (вблизи), без ограничений, связанных с фиксированными масштабами якорей.
• Анализ аэрофотоснимков: объекты на спутниковых изображениях часто имеют произвольную ориентацию и масштаб. Детекторы без якорей часто используются в дронах и БПЛА для обнаружения инфраструктуры или мониторинга изменений окружающей среды, поскольку они лучше адаптируются к разнообразным углам обзора, чем жёсткие якорные сетки.

Реализация с Ultralytics#

Переход к архитектурам без якорей — ключевая особенность последних поколений YOLO, в частности Ultralytics YOLO26. Такой выбор архитектуры существенно повышает эффективность их работы на устройствах периферийного ИИ. Ты можешь обучать эти модели на собственных данных с помощью Ultralytics Platform, которая упрощает управление наборами данных и обучение в облаке.

В следующем примере показано, как загрузить модель Ultralytics YOLO26 без якорей и выполнить с её помощью вывод, используя пакет ultralytics для 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()

Дальнейшие направления развития#

Успех обнаружения без якорей проложил путь к полностью сквозным конвейерам обнаружения. Дальнейшие разработки направлены на совершенствование этого подхода за счёт интеграции более продвинутых механизмов внимания и оптимизации для ещё меньшей задержки с использованием таких компиляторов, как TensorRT.

Отделив предсказание от фиксированных геометрических априорных предположений, детекторы без якорей сделали компьютерное зрение более доступным и надёжным. Будь то анализ медицинских изображений или промышленная автоматизация, эти модели обеспечивают адаптивность, необходимую для современных решений в области ИИ.