Object Detection Architectures

Архитектуры обнаружения объектов — это конструкции сетей, преобразующие изображение в список ограничивающих рамок, меток классов и оценок уверенности. Почти каждый современный детектор состоит из базовой сети, шеи и головы; архитектуры различаются главным образом тем, как они генерируют рамки-кандидаты — с помощью региональных предложений, плотной сетки или обучаемых запросов — и удаляют повторяющиеся предсказания: посредством подавления немаксимумов (NMS) или сопоставления один к одному. Эти решения определяют точность детектора, его скорость и простоту развертывания на периферийном оборудовании. Обнаружение объектов — это название задачи, а голова обнаружения — одна из частей архитектуры.

Базовая сеть, шея и голова#

Базовая сеть извлекает признаки. Это сверточная нейронная сеть, например ResNet или CSPDarknet, либо визуальный трансформер, часто предварительно обученный на ImageNet для классификации. Она поэтапно уменьшает разрешение изображения, поэтому карты признаков теряют в разрешении, но становятся семантически насыщеннее с увеличением глубины сети. Шея, обычно сеть пирамиды признаков (FPN) с дополнительным восходящим путем, как в PANet, объединяет глубокие и мелкие карты, чтобы каждый выходной масштаб содержал и мелкие детали, и контекст. Голова предсказывает рамки и оценки классов в каждой точке каждого масштаба, обычно с шагом 8, 16 и 32: самая детальная карта находит мелкие объекты, а самая грубая — крупные. Три части настоящего детектора можно увидеть в его определении модели:

from ultralytics import YOLO

# Загрузи YOLO26n и раздели его слои так же, как в YAML-файле модели
model = YOLO("yolo26n.pt")
layers = model.model.model
n_backbone = len(model.model.yaml["backbone"])

# Базовая сеть извлекает признаки, шея объединяет масштабы, а последний слой — это голова
print("Backbone:", [type(m).__name__ for m in layers[:n_backbone]])
print("Neck:", [type(m).__name__ for m in layers[n_backbone:-1]])
print("Head:", type(layers[-1]).__name__, "at strides", model.model.stride.tolist())

Список базовой сети содержит слои с шагом Conv и блоки C3k2, заканчивающиеся пулингом SPPF и блоком внимания C2PSA. В шее слои Upsample, Concat и C3k2 идут сверху вниз, а слои Conv, Concat и C3k2 с шагом возвращаются вверх; голова Detect предсказывает результаты с шагом 8, 16 и 32.

Семейства детекторов#

• Двухэтапные детекторы: Сеть региональных предложений выдвигает несколько сотен областей-кандидатов, а вторая голова классифицирует и уточняет каждую из них, как в Faster R-CNN (2015) и Mask R-CNN (2017).
• Одноэтапные детекторы с якорями: SSD (2016), YOLOv2–YOLOv5 и RetinaNet (2017) за один проход предсказывают смещения относительно заранее заданных якорных рамок в каждой ячейке сетки.
• Безъякорные детекторы: FCOS (2019) и YOLOv8 (2023) предсказывают расстояния от точки до четырех краев рамки, CenterNet (2019) предсказывает центры рамок как пики тепловой карты и ширину с высотой для каждого центра, а YOLOX (2021) вернул семейство YOLO к безъякорным предсказаниям, поэтому ни одному из них не требуется настройка якорей.
• Трансформерные детекторы в стиле DETR: DETR (2020) декодирует фиксированный набор обучаемых запросов объектов и сопоставляет их с размеченными объектами один-к-одному, поэтому его выход не требует NMS. Deformable DETR достигла более высокой точности при в 10 раз меньшем числе эпох обучения, а RT-DETR в 2023 году сделала эту архитектуру пригодной для работы в реальном времени.
• CNN-детекторы без NMS: YOLOv10 (2024) обучает голову «один к одному» вместе с головой «один ко многим», а во время инференса запускает только голову «один к одному», поэтому для его рамок не нужен NMS.
• Детекторы с открытым словарём: Grounding DINO и YOLO-World заменяют фиксированный классификационный слой текстовыми эмбеддингами, поэтому могут обнаруживать классы, названные во время инференса.

Выбор архитектуры#

Бенчмарки, например средняя точность (mAP) на COCO, позволяют сравнить точность, но выбор архитектуры обычно определяют целевое оборудование и объекты на изображениях. YOLO26 — одноэтапная CNN без якорей с обоими типами головы: по умолчанию она применяет NMS к ветви один-ко-многим, nms=False переключает её на ветвь один-к-одному, а её файлы YAML моделей включают варианты P2 и P6 с выходом stride 4 или stride 64.

• Периферийные устройства и видео в реальном времени: Небольшие CNN-детекторы хорошо компилируются для таких сред выполнения, как TensorRT и OpenVINO, а голова без NMS устраняет этап постобработки, стоимость которого растет с числом кандидатов.
• Мелкие объекты: для аэрофотоснимков и снимков при инспекции нужен более мелкий уровень выходных признаков, например stride 4, или инференс по тайлам, при котором детектор запускается на перекрывающихся фрагментах.
• Изменяющиеся каталоги товаров: Детекторы с открытым словарем находят новый товар по текстовому запросу без размеченных изображений этого товара.
• Повернутые объекты: Корабли, транспорт и здания на спутниковых снимках лучше описываются ориентированными рамками, для которых в голову добавляется предсказание угла.