Anchor-Based Detectors

Các trình phát hiện dựa trên anchor là một lớp nền tảng của các mô hình object detection trong thị giác máy tính, sử dụng một tập hợp các bounding box được xác định trước để định vị và phân loại đối tượng. Thay vì cố gắng dự đoán tọa độ của đối tượng từ con số không, các hệ thống này bắt đầu với các mẫu tham chiếu cố định được gọi là anchor boxes. Mạng thần kinh sau đó được huấn luyện để xác định mẫu nào trong số này khớp nhất với một đối tượng trong hình ảnh và tính toán các offset cụ thể—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 khó là dự đoán tọa độ tùy ý thành một tác vụ hồi quy ổn định hơn, đây là bước đột phá then chốt trong quá trình phát triển các kiến trúc deep learning (DL) thời kỳ đầu như Faster R-CNN và SSD.

Link to this sectionCơ chế hoạt động của các trình phát hiện dựa trên Anchor#

Hoạt động cốt lõi của một trình phát hiện dựa trên anchor xoay quanh việc chia hình ảnh đầu vào thành một lưới dày đặc. Tại mỗi ô của lưới này, mô hình tạo ra nhiều anchor box với các quy mô 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 hình ảnh đi qua backbone của mô hình, mạng sẽ trích xuất các tính năng phong phú để thực hiện hai tác vụ đồng thời:

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. Hồi quy hộp (Box Regression): Đối với các anchor được xác định là chứa đối tượng, mạng sẽ dự đoán các hệ số hiệu chỉnh để tinh chỉnh tọa độ x, y tâm, chiều rộng và chiều cao của anchor, dẫn đến một bounding box chặt chẽ.

Trong quá trình model training, các trình phát hiện này sử dụng một số liệu gọi là Intersection over Union (IoU) để khớp các anchor được xác định trước với các nhãn ground truth được cung cấp trong tập dữ liệu. Các anchor có mức độ chồng lấp cao được coi là mẫu dương tính. Vì quá trình này tạo ra hàng ngàn khả năng phát hiện tiềm năng, một thuật toán lọc được gọi là Non-Maximum Suppression (NMS) sẽ được áp dụng trong quá trình inference để loại bỏ các hộp dư thừa và chỉ giữ lại dự đoán chính xác nhất cho mỗi đối tượng.

Link to this sectionSo sánh với các trình phát hiện không sử dụng Anchor (Anchor-Free)#

Trong khi các phương pháp dựa trên anchor đã thiết lập tiêu chuẩn trong nhiều năm, lĩnh vực này đã phát triển theo hướng anchor-free detectors. Việc hiểu sự khác biệt là rất quan trọng đối với các kỹ sư hiện đại.

• Dựa trên Anchor: Các mô hình như YOLOv5 và RetinaNet gốc 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 tập dữ liệu. Điều này mang lại sự ổn định nhưng có thể thiếu linh hoạt nếu các đối tượng thay đổi hình dạng quá nhiều.
• Không sử dụng Anchor: 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 bản đồ đặc trưng (feature map), giúp giảm chi phí tính toán và đơn giản hóa việc tìm kiếm siêu tham số. Cách tiếp cận "end-to-end" này thường nhanh hơn và dễ huấn luyện hơn trên các dữ liệu đa dạng.

Link to this sectionCác 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 xác định vi phạm. Vì ô tô và xe tải có kích thước tiêu chuẩn, các mô hình dựa trên anchor có thể được tinh chỉnh với các priors 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 dạng sản phẩm. Vì các hàng hóa đóng gói như hộp ngũ cốc duy trì một tỷ lệ khung hình cố định, các anchor cung cấp một prior mạnh cho mạng, giúp nó phân biệt giữa các mặt hàng trông giống nhau trong một cảnh hỗn loạn.

Link to this sectionVí dụ về triển khai#

Mặc dù các mô hình YOLO26 mới nhất sử dụng các head không cần anchor để đạt hiệu suất vượt trội, giao diện để chạy phát hiện vẫn nhất quán. Ultralytics Platform và Python API trừu tượng hóa sự phức tạp về việc liệu một mô hình 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()

Link to this sectionĐọc thêm#

Để hiểu sâu hơn về các cơ chế phát hiện, 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), giúp tối ưu hóa khả năng phát hiện dựa trên anchor về tốc độ. Để có cái nhìn rộng hơn về lĩnh vực này, COCO dataset đóng vai trò là chuẩn mực để đánh giá cả các mô hình dựa trên anchor và không dựa trên anchor. Ngoài ra, các khóa học nâng cao trên Coursera thường bao gồm các chi tiết toán học về hồi quy hộp và khớp anchor.