Anchor-Free Detectors

Çapasız algılayıcılar, her sınırlayıcı kutuyu bir özellik haritasındaki bir noktadan veya nesnenin köşeleri ya da merkezi gibi kilit noktalardan, önceden tanımlanmış bir çapa kutusu kümesi olmadan doğrudan tahmin eden nesne algılama modelleridir. Nesnenin yakınındaki bir konum, kendisinden nesnenin dört kenarına olan uzaklıkları tahmin eder; ya da bir ısı haritasındaki tepe noktası nesnenin merkezini işaretler ve ağ, genişlik ile yüksekliği regresyonla tahmin eder. Böylece çapa tabanlı algılayıcıların her veri kümesi için ayarlaması gereken çapa boyutları, en-boy oranları ve çapa eşleştirme eşikleri ortadan kalkar; çapasız başlıklar da gerçek zamanlı algılamada standart tasarım haline gelmiştir.

Çapasız Algılama Nasıl Çalışır#

Çapasız algılayıcılar iki aileye ayrılır:

• FCOS gibi nokta tabanlı algılayıcılar: Her özellik haritası seviyesindeki her hücre bir adaydır. FCOS (2019), nesnenin içindeki her konumda sınıf puanlarıyla birlikte sol, üst, sağ ve alt kenarlara olan dört uzaklığı tahmin eder; ayrıca nesnenin merkezinden uzaktaki noktalardan tahmin edilen kutuların ağırlığını azaltan bir merkezilik puanı üretir.
• CornerNet ve CenterNet gibi kilit nokta tabanlı algılayıcılar: CornerNet (2018), sol üst ve sağ alt köşelerin ısı haritalarını tahmin eder ve öğrenilmiş gömmeleri kullanarak aynı nesneye ait köşeleri eşleştirir. CenterNet, nesne merkezlerinin ısı haritasını tahmin eder ve her tepe noktasında genişlik ile yüksekliği regresyonla hesaplar; tepe noktalarını 3 × 3 maksimum havuzlama işlemiyle çıkararak IoU tabanlı maksimum olmayan bastırmaya (NMS) gerek bırakmaz.

Çapasız tahmin, YOLO ailesinde çapaların kullanılmaya başlamasından da öncesine dayanır: 2015'teki YOLOv1, kutuları doğrudan her nesnenin merkezini içeren ızgara hücresinden tahmin ediyordu; YOLOv2'ye çapa kutuları eklemek duyarlılığı %81'den %88'e çıkarırken mAP değerini 0,3 puan düşürdü. YOLOX, yoğun nokta tabanlı tasarımı 2021'de YOLO'ya geri getirdi. Ultralytics, 2023'te YOLOv5 çapalarından çapasız başlığa YOLOv8 ile geçti; böylece özel veri kümeleri artık çapa uydurma adımına ihtiyaç duymuyor. YOLO26 da bu tasarımı sürdürüyor.

Yoğun bir çapasız tahmini çözümlemek için yalnızca hücrenin konumu ve tahmin edilen dört uzaklık gerekir:

import torch

# Center of the grid cell at column 10, row 6 of a stride-16 feature map, in image pixels
stride = 16
point = (torch.tensor([10.0, 6.0]) + 0.5) * stride

# Distances the head predicts from that point to the left, top, right, and bottom box edges, in strides
ltrb = torch.tensor([2.0, 3.5, 1.5, 4.0]) * stride

# Anchor-free decoding: no template box, only the point and four distances
x1, y1 = point - ltrb[:2]
x2, y2 = point + ltrb[2:]
print(f"point {point.tolist()} -> box ({x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f})")

(168, 104) noktasından, (136, 48, 192, 168) kutusu elde edilir; kutu 56 piksel genişliğinde ve 120 piksel yüksekliğindedir. Yoğun bir başlık, bu çözümlemeyi her piramit seviyesindeki her hücreye uygular; böylece her hücre bir aday kutu üretir.

Hangi Noktaların Her Nesneyi Öğreneceğini Seçme#

Etiketlenmiş kutularla Birleşim Üzerindeki Kesişim (IoU) ölçütüne göre karşılaştırılacak çapalar olmadığında çapasız algılayıcı, hangi noktaların pozitif eğitim örneği sayılacağını belirlemek için başka bir kurala ihtiyaç duyar. FCOS konumu ve boyutu kullanır: bir nokta, etiketli bir kutunun içindeyse ve kutunun kenarlarına olan en büyük uzaklığı o noktanın piramit seviyesi aralığına uyuyorsa pozitif olur. Bu aralık, 8 adımlı seviyede 0-64 piksel, 16 adımlı seviyede 64-128 piksel ve 128 adımlı seviyeye kadar bu şekilde devam eder.

Daha sonraki algılayıcılar pozitif örnekleri uyarlamalı biçimde seçer. ATSS, çapa tabanlı RetinaNet ile çapasız FCOS arasındaki doğruluk farkının temel olarak pozitif ve negatif örnekleri tanımlama biçimlerinden kaynaklandığını ve aynı örnekleme kuralı kullanıldığında konum başına birkaç çapa döşemenin hiçbir kazanç sağlamadığını gösterdi. TOOD tarafından sunulan ve PP-YOLOE ile daha sonraki birçok gerçek zamanlı algılayıcı tarafından benimsenen görev hizalı atama, her nesnenin içindeki noktaları tahmin edilen sınıf puanı ile kutu IoU değerinin ağırlıklı çarpımına göre sıralar ve en yüksek puanlı birkaçını pozitif olarak seçer.

Çapasız ve Çapa Tabanlı Algılayıcılar#

• Daha az hiperparametre: Her veri kümesi için çapa boyutlarını, en-boy oranlarını veya IoU eşleştirme eşiklerini uydurmak gerekmez. Çapa tabanlı algılayıcılar bu adımı çoğu zaman eğitim kutularına k-means kümeleme uygulayarak gerçekleştirir.
• Şekil esnekliği: Nokta tabanlı atama yalnızca nesnenin konumuna bağlıdır; bu nedenle uzun ve ince bir boru gibi şekli hiçbir çapaya benzemeyen bir nesne de pozitif örnekler elde eder.
• Ortak söz varlığı: Çapasız birçok kod tabanı, boyutu veya en-boy oranı olmayan bir konumu kastederek ızgara noktalarına hâlâ "çapa noktaları" der.
• Daha az tahmin: Her konum, her çapa şekli için bir kutu yerine tek kutu tahmin eder. Böylece çözümleme ve NMS, birkaç kat daha az adayla çalışır; RetinaNet'in konum başına 9 çapası görüntü başına yaklaşık 100.000 aday oluşturur.