Детекторы без Anchor

Детекторы без привязки к опорным прямоугольникам представляют собой современную эволюцию в области компьютерного зрения (CV), предлагая более рациональный и гибкий подход к обнаружению объектов. Вместо того чтобы полагаться на предопределенный набор опорных прямоугольников для прогнозирования местоположения объектов, эти модели идентифицируют объекты напрямую. Это часто достигается путем прогнозирования центральной точки объекта и его размеров или путем определения ключевых точек, таких как углы. Этот сдвиг парадигмы упрощает конвейер обнаружения, уменьшает количество гиперпараметров, которые необходимо настраивать, и часто улучшает производительность, особенно для объектов с разнообразными или необычными формами.

Детекторы без привязки к опорным прямоугольникам и детекторы на основе опорных прямоугольников: сравнение

Основное различие заключается в способе генерации объектов-кандидатов.

• Детекторы на основе якорей (Anchor-Based Detectors): Модели, такие как YOLOv5 и Faster R-CNN, используют предопределенный набор якорных прямоугольников с различными размерами и соотношениями сторон в разных местах изображения. Сеть уточняет эти прямоугольники, чтобы они соответствовали истинным объектам. Этот подход может быть вычислительно интенсивным и требует тщательного выбора конфигураций якорей, которые могут плохо обобщаться на различных наборах данных, таких как COCO.
• Детекторы без якорей: Эти модели обходят необходимость в предопределенных прямоугольниках. Они напрямую предсказывают свойства объекта на основе признаков изображения. Это приводит к более простой конструкции и может привести к более быстрому выводу в реальном времени и улучшенному обнаружению объектов неправильной формы. Современные архитектуры, включая Ultralytics YOLO11, приняли эту конструкцию для повышения эффективности и гибкости.

Переход к anchor-free дизайну стал ключевым этапом в развитии обнаружения объектов, впервые реализованным в моделях, таких как YOLOX, представленной компанией Megvii в их исследовательской работе 2021 года. Вы можете ознакомиться с техническим сравнением YOLO11 и YOLOX, чтобы понять их архитектурные различия.

Как работают детекторы без anchor boxes?

Детекторы без привязки к опорным прямоугольникам обычно используют одну из двух основных стратегий:

1. На основе ключевых точек: Эти методы определяют местоположение объектов путем идентификации ключевых точек, таких как углы или центральные точки. Модель учится группировать эти ключевые точки для формирования полных предсказаний ограничивающих прямоугольников.
2. На основе центра: Эти подходы предсказывают центр объекта, а затем регрессируют расстояние от центра до четырех сторон ограничивающей рамки. Это распространенный и эффективный метод, используемый во многих современных детекторах.

Эти методы упрощают процесс назначения меток во время обучения модели и часто включают в себя передовые методы, такие как сложные функции потерь и мощная аугментация данных, для повышения производительности.

Применение в реальном мире

Гибкость и эффективность детекторов без привязки делают их весьма эффективными в различных областях:

• Автономное вождение: В системах для автономных транспортных средств эти детекторы могут точно идентифицировать пешеходов, другие автомобили и препятствия различных форм и размеров. Эта адаптивность имеет решающее значение для навигационных систем, разрабатываемых такими компаниями, как Waymo.
• Анализ медицинских изображений: Модели без привязок (anchor-free) отлично справляются с обнаружением аномалий неправильной формы, таких как опухоли или поражения на медицинских снимках. Например, использование YOLO11 для обнаружения опухолей использует преимущества ее природы без привязок для более точной локализации на медицинских изображениях.
• Розничная аналитика: Эти модели могут эффективно отслеживать наличие товаров на полках магазинов или анализировать трафик клиентов, даже при плотно упакованных или имеющих необычную форму продуктах. Это ключевая часть управления запасами на основе ИИ.
• Безопасность и наблюдение: Идентификация людей или объектов в переполненных сценах является распространенной задачей в интеллектуальном наблюдении. Детекторы без привязки хорошо обрабатывают объекты в различных масштабах, что делает их идеальными для этих приложений.

Инструменты и технологии

Разработка моделей без привязки поддерживается основными фреймворками глубокого обучения, такими как PyTorch и TensorFlow. Экосистема Ultralytics предоставляет комплексные инструменты для создания и развертывания этих передовых детекторов. Вы можете изучить нашу документацию и использовать Ultralytics HUB для управления наборами данных, обучения моделей и обработки развертывания. Для непрерывного обучения такие платформы, как Coursera, предлагают базовые курсы, а такие ресурсы, как Papers With Code, перечисляют самые современные модели.