Anchor-Based Detectors

Các bộ phát hiện dựa trên anchor là một lớp nền tảng của các object detection model trong computer vision, sử dụng một tập hợp các bounding box được định nghĩa trước để định vị và phân loại đối tượng. Thay vì cố gắng dự đoán tọa độ của một đối tượng từ một trang giấy trắng, các hệ thống này bắt đầu với các mẫu tham chiếu cố định được gọi là anchor boxes. Neural network sau đó được huấn luyện để xác định mẫu nào trong số này khớp nhất với một đối tượng trong ảnh và tính toán các độ lệch cụ thể—các điều chỉnh về vị trí và kích thước—cần thiết để căn chỉnh anchor hoàn hảo với mục tiêu. Cách tiếp cận này chuyển đổi bài toán dự đoán tọa độ tùy ý khó khăn thành một tác vụ regression ổn định hơn, đây là một bước đột phá quan trọng trong việc phát triển các kiến trúc deep learning (DL) thời kỳ đầu như Faster R-CNN và SSD.

Cơ chế hoạt động của các trình phát hiện dựa trên Anchor#

Hoạt động cốt lõi của một bộ phát hiện dựa trên anchor xoay quanh việc chia ảnh đầu vào thành một grid dày đặc. Tại mỗi cell của grid này, model tạo ra nhiều anchor boxes với các scale và aspect ratios khác nhau để tính đến các hình dạng đối tượng khác nhau, chẳng hạn như người đi bộ cao hoặc phương tiện rộng. Khi dữ liệu ảnh đi qua backbone của model, network trích xuất các feature phong phú để thực hiện đồng thời hai tác vụ:

1. Phân loại: Mô hình gán điểm xác suất cho mỗi anchor, dự đoán liệu nó có chứa một lớp đối tượng cụ thể (ví dụ: "ô tô", "chó") hay chỉ là nhiễu nền.

2. Box Regression: Đối với các anchor được xác định là chứa một đối tượng, network dự đoán các hệ số hiệu chỉnh để tinh chỉnh tọa độ tâm x, y, chiều rộng và chiều cao của anchor, dẫn đến một bounding box khít.

Trong quá trình model training, các bộ phát hiện này sử dụng một metric gọi là Intersection over Union (IoU) để khớp các anchor được định nghĩa trước với các nhãn ground truth được cung cấp trong dataset. Các anchor có độ trùng lặp cao được coi là các sample dương tính. Vì quá trình này tạo ra hàng nghìn lượt phát hiện tiềm năng, một thuật toán lọc được gọi là Non-Maximum Suppression (NMS) được áp dụng trong quá trình inference để loại bỏ các box dư thừa và chỉ giữ lại prediction chính xác nhất cho từng đối tượng.

So sánh với các trình phát hiện không sử dụng Anchor (Anchor-Free)#

Mặc dù các phương pháp dựa trên anchor đã thiết lập tiêu chuẩn trong nhiều năm, lĩnh vực này đã tiếnevolve hướng tới anchor-free detectors. Hiểu được sự khác biệt là rất quan trọng đối với các practitioner hiện đại.

• Anchor-Based: Các model như YOLOv5 và bản gốc RetinaNet dựa vào cấu hình thủ công hoặc các thuật toán phân cụm như k-means clustering để xác định kích thước anchor tốt nhất cho một dataset. Điều này mang lại sự ổn định nhưng có thể cứng nhắc nếu các đối tượng thay đổi mạnh về hình dạng.
• Anchor-Free: Các kiến trúc hiện đại, bao gồm YOLO26, thường loại bỏ hoàn toàn giai đoạn anchor. Chúng dự đoán tâm và kích thước đối tượng trực tiếp từ các pixel của feature map, làm giảm chi phí tính toán và đơn giản hóa việc tìm kiếm hyperparameter. Cách tiếp cận "end-to-end" này nhìn chung nhanh hơn và dễ huấn luyện hơn trên đa dạng dữ liệu.

Các ứng dụng trong thực tế#

Logic dựa trên anchor vẫn có liên quan trong nhiều hệ thống sản xuất cũ và chuyên dụng, nơi hình dạng đối tượng có thể dự đoán được và nhất quán.

• Giám sát giao thông: Trong các hệ thống giao thông thông minh, camera phát hiện phương tiện để quản lý lưu lượng hoặc nhận diện vi phạm. Vì ô tô và xe tải có kích thước tiêu chuẩn hóa, các model dựa trên anchor có thể được tinh chỉnh với các prior cụ thể để tối đa hóa precision and recall.
• Tự động hóa bán lẻ: Các hệ thống thanh toán tự động sử dụng computer vision để nhận diện sản phẩm. Vì các hàng hóa đóng gói như hộp ngũ cốc duy trì một aspect ratio cố định, các anchor cung cấp một prior mạnh cho network, giúp nó phân biệt giữa các mặt hàng trông giống nhau trong một khung cảnh lộn xộn.

Ví dụ về triển khai#

Mặc dù các model YOLO26 mới nhất sử dụng các head không có anchor để đạt hiệu suất vượt trội, giao diện để chạy detection vẫn nhất quán. Ultralytics Platform và Python API ẩn đi độ phức tạp của việc liệu một model có sử dụng anchor hay điểm tâm hay không, cho phép người dùng tập trung vào kết quả.

Dưới đây là cách tải mô hình và chạy inference để phát hiện đối tượng, một quy trình làm việc áp dụng bất kể kiến trúc anchor nền tảng là gì:

from ultralytics import YOLO

# Load the YOLO26 model (optimized for speed and accuracy)
model = YOLO("yolo26n.pt")

# Run inference on an image source
# The model handles internal logic (anchor-based or anchor-free) automatically
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the first result with bounding boxes
results[0].show()

Đọc thêm#

Để đào sâu sự hiểu biết của bạn về các cơ chế detection, hãy khám phá nghiên cứu nền tảng về Faster R-CNN, giới thiệu Region Proposal Network (RPN), hoặc đọc về Single Shot MultiBox Detector (SSD), tối ưu hóa việc phát hiện dựa trên anchor về tốc độ. Để có cái nhìn rộng hơn về lĩnh vực này, COCO dataset đóng vai trò là benchmark tiêu chuẩn để đánh giá cả model dựa trên anchor và không có anchor. Ngoài ra, các khóa học nâng cao trên Coursera thường bao gồm các chi tiết toán học của box regression và việc khớp anchor.