Máy dò không neo

Các khái niệm chính và phương pháp luận

Các bộ dò không có neo thường đóng khung phát hiện đối tượng như một vấn đề ước tính các điểm chính hoặc dự đoán các trung tâm đối tượng trong bản đồ đặc điểm được tạo ra bởi Mạng nơ-ron tích chập (CNN) . Thay vì khớp các đối tượng tiềm năng với một lưới dày đặc các hộp neo và sau đó tinh chỉnh các hộp đó, các mô hình này trực tiếp hồi quy các thuộc tính đối tượng tại các vị trí cụ thể trong biểu diễn đặc điểm của hình ảnh. Các phương pháp không có neo phổ biến bao gồm:

• Dự đoán dựa trên tâm : Các mô hình như CenterNet dự đoán điểm tâm của mỗi đối tượng và hồi quy các kích thước của nó.
• Phát hiện dựa trên điểm chính : Các phương pháp như CornerNet phát hiện các cặp điểm chính ở góc để xác định hộp giới hạn đối tượng.
• Dự đoán dày đặc : Các phương pháp như FCOS (Phát hiện đối tượng một giai đoạn hoàn toàn tích chập) xử lý phát hiện đối tượng tương tự như phân đoạn ngữ nghĩa , dự đoán sự hiện diện của đối tượng và tọa độ hộp giới hạn trên mỗi pixel trong các vùng bản đồ đặc điểm có liên quan, thường tận dụng Mạng tích chập hoàn toàn (FCN) .

Các kỹ thuật này loại bỏ nhu cầu thiết kế mỏ neo phức tạp, điều chỉnh siêu tham số liên quan đến mỏ neo ( tốc độ học , kích thước lô , v.v.) và logic khớp phức tạp cần thiết cho các hệ thống dựa trên mỏ neo.

Ưu điểm của phát hiện không neo

Sự hấp dẫn chính của máy dò không neo nằm ở tính đơn giản về mặt khái niệm và tính linh hoạt cao hơn. Những lợi ích chính bao gồm:

• Thiết kế đơn giản : Loại bỏ nhu cầu thiết kế và cấu hình các hộp neo cụ thể cho số liệu thống kê tập dữ liệu ( tỷ lệ khung hình , kích thước).
• Giảm siêu tham số : Ít siêu tham số liên quan đến mỏ neo cần điều chỉnh hơn, giúp đơn giản hóa quy trình đào tạo mô hình .
• Tính tổng quát được cải thiện : Thường hoạt động tốt hơn trên các đối tượng có tỷ lệ khung hình hoặc tỷ lệ cực đại có thể không khớp với các điểm neo được xác định trước.
• Tiềm năng cho hiệu quả cao hơn : Có thể dẫn đến tốc độ suy luận nhanh hơn và chi phí tính toán thấp hơn bằng cách tránh các tính toán liên quan đến neo. Điều này đặc biệt có liên quan đến việc triển khai trên các thiết bị biên .

So sánh với các máy dò dựa trên neo

Sự khác biệt cơ bản giữa các bộ dò không neo và dựa trên neo là cách chúng tạo ra các đề xuất đối tượng ban đầu. Các mô hình dựa trên neo, chẳng hạn như các kiến trúc trước đó như Faster R-CNN hoặc YOLOv4 , phụ thuộc rất nhiều vào một tập hợp các hộp neo được xác định trước được phân bổ trên lưới hình ảnh. Mạng dự đoán các độ lệch từ các neo này và phân loại xem neo có chứa đối tượng hay không. Phương pháp này yêu cầu hiệu chuẩn cẩn thận các thuộc tính neo dựa trên tập dữ liệu chuẩn mục tiêu.

Các máy dò không có neo, bao gồm các mô hình Ultralytics YOLO gần đây như YOLO11 , bỏ qua hoàn toàn cơ chế neo. Chúng trực tiếp dự đoán các đặc điểm của vật thể (như tâm, góc hoặc khoảng cách đến ranh giới) so với các điểm hoặc vùng cụ thể trong bản đồ đặc điểm. Điều này thường đơn giản hóa các bước xử lý hậu kỳ, chẳng hạn như Non-Maximum Suppression (NMS) và có thể tăng cường độ chính xác phát hiện đối với các vật thể có hình dạng bất thường. Bạn có thể khám phá những lợi ích của Ultralytics YOLO11 không có neo và so sánh hiệu suất của nó với các mô hình khác như YOLOX hoặc YOLOv9 .

Ứng dụng trong thế giới thực

Các máy dò không có điểm neo có hiệu quả cao trong nhiều tác vụ thị giác máy tính (CV) :

• Lái xe tự động : Phát hiện xe cộ, người đi bộ và chướng ngại vật có hình dạng và kích thước khác nhau là rất quan trọng đối với xe tự động . Các phương pháp không neo thích ứng tốt với những vật thể đa dạng này, góp phần tạo nên hệ thống dẫn đường an toàn hơn như những hệ thống do các công ty như Waymo phát triển.
• Phân tích hình ảnh y tế : Trong các lĩnh vực như X quang, các mô hình không có neo có thể định vị chính xác các bất thường như khối u hoặc tổn thương, thường có hình dạng không đều. Ví dụ, sử dụng YOLO11 để phát hiện khối u tận dụng bản chất không có neo của nó để định vị tốt hơn trong hình ảnh y tế .
• Phân tích bán lẻ : Theo dõi các kệ hàng để biết mức tồn kho ( quản lý hàng tồn kho dựa trên AI ) hoặc phân tích hành vi của khách hàng, lợi ích từ các máy dò xử lý hiệu quả các mặt hàng được đóng gói dày đặc hoặc có hình dạng bất thường.
• An ninh và Giám sát : Việc xác định người hoặc vật thể trong bối cảnh đông đúc ( AI thị giác trong quản lý đám đông ) hoặc phát hiện các sự kiện cụ thể thường liên quan đến các vật thể có nhiều kích thước khác nhau, trong khi các phương pháp không có điểm neo có thể mang lại nhiều lợi thế.

Công cụ và công nghệ

Việc phát triển và triển khai các máy dò không có mỏ neo được hỗ trợ bởi các khuôn khổ học sâu chính như PyTorch và TensorFlow . Ultralytics hệ sinh thái cung cấp các công cụ mạnh mẽ và các mô hình được đào tạo trước sử dụng các thiết kế không có neo, chẳng hạn như Ultralytics YOLO11 . Bạn có thể khám phá Ultralytics tài liệu hướng dẫn chi tiết về triển khai và tận dụng Ultralytics HUB để đào tạo mô hình hợp lý, quản lý tập dữ liệu và triển khai . Các nguồn như Papers With Code cung cấp danh sách được tuyển chọn về các mô hình phát hiện đối tượng tiên tiến, nhiều mô hình có kiến trúc không có neo. Có thể có được kiến thức cơ bản thông qua các nền tảng như Coursera hoặc DeepLearning.AI . Để tối ưu hóa các mô hình cho phần cứng cụ thể, có thể sử dụng các công cụ như OpenVINO .