Object Detection Architectures

Архитектуры обнаружения объектов представляют собой структурные схемы нейронных сетей, используемых для идентификации и определения местоположения элементов в визуальных данных. В более широкой области computer vision (CV) эти архитектуры определяют, как машина «видит», преобразуя исходные данные пикселей в значимые инсайты. В отличие от базовых моделей классификации, которые просто присваивают метку изображению, архитектура обнаружения объектов разработана таким образом, чтобы выдавать bounding box наряду с меткой класса и confidence score для каждого отдельного обнаруженного объекта. Такой структурный дизайн определяет скорость, точность и вычислительную эффективность модели, что делает его решающим фактором при выборе модели для real-time inference или высокоточного анализа.

Основные компоненты архитектуры#

Хотя конкретные конструкции различаются, большинство современных архитектур разделяют три фундаментальных компонента: бэкбон (backbone), шею (neck) и голову (head). Бэкбон (backbone) действует как основной экстрактор признаков. Обычно это Convolutional Neural Network (CNN), предварительно обученная на большом наборе данных, таком как ImageNet, и отвечающая за определение базовых форм, границ и текстур. Популярные варианты для бэкбонов включают ResNet и CSPDarknet.

Шея (neck) соединяет бэкбон с финальными слоями вывода. Ее роль заключается в смешивании и объединении признаков с различных этапов бэкбона, чтобы модель могла обнаруживать объекты различных размеров — концепция, известная как многомасштабное слияние признаков (multi-scale feature fusion). Архитектуры часто используют здесь Feature Pyramid Network (FPN) или Path Aggregation Network (PANet) для обогащения семантической информации, передаваемой на слои предсказания. Наконец, detection head обрабатывает эти объединенные признаки для предсказания конкретного класса и координат местоположения каждого объекта.

Эволюция: двухэтапные против одноэтапных#

Исторически архитектуры делились на две основные категории. Двухэтапные детекторы (Two-stage detectors), такие как R-CNN family, сначала предлагают области интереса (RoIs), где могут находиться объекты, а затем классифицируют эти области на втором этапе. Хотя они, как правило, точны, они часто оказываются слишком тяжелыми с точки зрения вычислений для периферийных устройств (edge devices).

В отличие от них, одноэтапные детекторы (one-stage detectors) рассматривают обнаружение как простую задачу регрессии, сопоставляя пиксели изображения напрямую с координатами ограничивающих рамок и вероятностями классов за один проход. Этот подход, впервые предложенный семейством YOLO (You Only Look Once), произвел революцию в индустрии, обеспечив производительность в реальном времени. Современные достижения привели к созданию таких моделей, как YOLO26, которые не только предлагают превосходную скорость, но и используют сквозные (end-to-end) архитектуры без NMS. Устраняя необходимость в постобработке Non-Maximum Suppression (NMS), эти новые архитектуры снижают вариативность задержки (latency variability), что критически важно для критически важных систем безопасности.

Реальные приложения#

Выбор архитектуры напрямую влияет на успех AI-решений в различных отраслях.

• Розничная автоматизация (Retail Automation): В smart supermarkets эффективные одноэтапные архитектуры позволяют создавать автоматизированные системы оформления заказа, которые мгновенно распознают товары на конвейерной ленте или в корзине для покупок, сокращая время ожидания и количество человеческих ошибок.
• Медицинская диагностика (Medical Diagnostics): Высокоточные архитектуры используются в medical image analysis для обнаружения аномалий, таких как опухоли на рентгенограммах или МРТ-сканах. Здесь способность архитектуры сохранять мелкозернистые детали важнее чистой скорости обработки.

Разграничение связанных терминов#

Важно отличать архитектуры обнаружения от схожих задач компьютерного зрения:

• vs. Классификация изображений (Image Classification): Архитектура image classification (например, VGG или EfficientNet) присваивает одну метку всему изображению (например, «кот»). Она не говорит тебе, где находится кот или есть ли несколько котов, что является основной функцией архитектур обнаружения.
• vs. Сегментация экземпляров (Instance Segmentation): В то время как обнаружение помещает рамку вокруг объекта, instance segmentation определяет точный попиксельный контур (маску) каждого объекта. Архитектуры сегментации часто являются расширениями архитектур обнаружения (например, добавление ветки маски к голове обнаружения).

Реализация с помощью Ultralytics#

Современные фреймворки абстрагировали сложности этих архитектур, позволяя разработчикам использовать передовые разработки с минимальным количеством кода. Используя пакет ultralytics, ты можешь загрузить предобученную модель YOLO26 и сразу запустить инференс. Для команд, стремящихся управлять своими наборами данных и обучать кастомные архитектуры в облаке, Ultralytics Platform упрощает весь конвейер MLOps.

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Run inference on an image source
# This uses the model's architecture to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()