Ultralytics YOLO11 作为无锚点检测器的优势

如果我们回看计算机视觉模型的发展历史，目标检测——即在图像或视频中识别并定位物体的核心计算机视觉任务——自20世纪60年代以来就一直存在。然而，它在当今尖端创新中如此重要的关键原因在于，目标检测技术和模型架构自那时起已经取得了长足的进步和快速的发展。

在上一篇文章中，我们讨论了目标检测的演变以及通往 Ultralytics YOLO 模型的发展历程。今天，我们将重点探讨这一旅程中的一个更具体的里程碑：从基于锚框的检测器向无锚框检测器的跨越。

基于锚框的检测器依赖于被称为“锚框”的预定义框来预测物体在图像中的位置。相比之下，无锚框检测器跳过了这些预定义的框，转而直接预测物体的位置。

虽然这种转变看起来是一个简单而符合逻辑的改变，但它实际上带来了目标检测准确率和效率的重大提升。在本文中，我们将通过诸如 Ultralytics YOLO11 等技术的进步，了解无锚框检测器是如何重塑计算机视觉的。

什么是基于锚点的检测器？#

基于锚框的检测器使用被称为锚框的预定义框来帮助定位图像中的物体。你可以将这些锚框想象成覆盖在图像上的、由不同大小和形状的方框构成的网格。然后，模型会调整这些方框以适应它所检测到的物体。例如，如果模型识别出一辆汽车，它就会修改锚框以更准确地匹配汽车的位置和大小。

每个锚框都与图像中的一个潜在物体相关联，在训练过程中，模型会学习如何调整锚框，以便更好地匹配物体的位置、大小和长宽比。这使得模型能够检测不同尺度和方向的物体。然而，选择合适的锚框集合可能会很耗时，并且微调它们的过程也容易产生错误。

图 1. 什么是锚框？

尽管像 YOLOv4 这样的基于锚框的检测器在许多应用中运行良好，但它们确实存在一些缺点。例如，锚框并不总是能很好地与不同形状或大小的物体对齐，这使得模型更难检测小型或形状不规则的物体。选择和微调锚框大小的过程也可能非常耗时，并且需要大量的人工努力。除此之外，基于锚框的模型通常难以检测被遮挡或重叠的物体，因为预定义的框可能无法很好地适应这些更复杂的场景。

向无锚点目标检测的转变#

无锚点检测器在 2018 年开始受到关注，当时出现了 CornerNet 和 CenterNet 等模型，它们通过消除对预定义锚点框的需求，为目标检测提供了一种全新的方案。与依赖不同尺寸和形状的锚点框来预测物体位置的传统模型不同，无锚点模型直接预测物体的位置。它们专注于物体的关键点或特征（如中心点），这简化了检测过程，并提高了速度和准确性。

以下是无锚点模型通常的工作原理：

• 关键点检测：某些模型不使用预定义的框，而是识别物体上的重要点，例如中心或特定的角。这些关键点有助于模型弄清楚物体在哪里以及它有多大。
• 中心预测：一些模型专注于预测物体的中心。一旦定位了中心，模型就可以从那里预测整个物体的尺寸和位置。
• 热力图回归：许多无锚框模型使用热力图，其中每个像素代表物体的一个可能位置。更强的热力图值表示在该点存在物体的置信度更高。

图 2. 基于锚框的检测与无锚框检测。

由于无锚点模型不依赖锚点框，它们的设计更简洁，这意味着它们的计算效率更高。由于无需处理多个锚点框，它们能更快速地检测物体——这在自动驾驶和视频监控等实时应用中是一项重要优势。

无锚框模型在处理小型、不规则或被遮挡的物体时也表现得要好得多。由于它们专注于检测关键点而不是试图套用锚框，因此它们具有更高的灵活性。这使它们能够在基于锚框的模型可能会失败的杂乱或复杂环境中准确检测物体。

Ultralytics YOLO11：一种无锚点检测器#

最初是为了速度和效率而设计的，YOLO 模型逐渐从基于锚框的方法转变为无锚框检测，这使得像 Ultralytics YOLO11 这样的模型更快、更灵活，并且更适合广泛的实时应用。

以下简要概述了无锚点设计在不同 YOLO 版本中的演变：

• Ultralytics YOLOv5u：引入了无锚框分割 Ultralytics Head，消除了对预定义锚框的需求。相反，模型直接预测物体在图像中的位置，简化了流程并提高了灵活性和速度。
• YOLOv6：使用了一种称为锚框辅助训练（AAT）的新方法，其中锚框仅在训练期间使用。这使得模型在训练期间受益于基于锚框的方法的结构，同时在运行时仍使用无锚框检测以获得更好的速度和适应性。
• Ultralytics YOLOv8：通过使用无锚框分割 Ultralytics Head，完全切换到无锚框检测。这使得模型更快、更准确，特别是对于不适合锚框的小型或形状奇特的物体。
• Ultralytics YOLO11：在 YOLOv8 的无锚框方法的基础上构建，完全消除了锚框，进一步优化了检测。这为动物行为监测和零售分析等实时应用带来了更快、更准确的检测。

图 3. 比较 Ultralytics YOLOv8 和 Ultralytics YOLO11。

Ultralytics YOLO11 的真实世界应用#

使用 Ultralytics YOLO11 进行无锚点检测的一个典型例子是在自动驾驶汽车中。在自动驾驶汽车中，快速准确地检测行人、其他车辆和障碍物对于安全至关重要。YOLO11 的无锚点方法通过直接预测物体的关键点（如行人的中心或另一辆车的边界）简化了检测过程，而不是依赖预定义的锚框。

图 4. Ultralytics YOLO11 中无锚框检测的好处（图片由作者提供）。

Ultralytics YOLO11 不需要为每个物体调整或拟合锚点网格，这在计算上可能很昂贵且速度较慢。相反，它专注于关键特征，使其更快、更高效。例如，当行人步入车辆行驶路线时，YOLO11 可以通过精确定位关键点快速识别其位置，即使该人部分被遮挡或正在移动。无需锚点框即可适应各种形状和大小的能力使 YOLO11 能够更可靠、以更高速度检测物体，这对于自动驾驶系统中的实时决策至关重要。

Ultralytics YOLO11 的无锚框功能真正脱颖而出的其他应用包括：

• Retail and inventory management：借助 Ultralytics YOLO11，监控货架上的商品变得更加轻松，即使商品堆叠或部分被挡住也能应付。这有助于更快、更准确地追踪库存并减少错误。
• 医学影像：YOLO11 在医疗保健领域也很有效，它可以在医学扫描中检测肿瘤或其他异常。它处理形状不规则物体的能力有助于提高诊断复杂疾病的准确性。
• Wildlife monitoring：在野生动物研究中，Ultralytics YOLO11 能够在密林或复杂地形中追踪动物，帮助研究人员监测动物行为或保护濒危物种。
• Sports analytics：在体育赛事中，Ultralytics YOLO11 可用于实时追踪运动员、球体运动或其他元素，为队伍、教练和转播商提供有价值的洞察。

使用无锚点模型时的注意事项#

尽管像 Ultralytics YOLO11 这样的无锚框模型具有诸多优势，但它们也确实存在一定的局限性。需要考虑的主要实际问题之一是，即使是无锚框模型，在面对遮挡或高度重叠的物体时也可能会遇到困难。其背后的基本原理是，计算机视觉旨在复制人类视觉，正如我们在识别被遮挡的物体时有时会遇到困难一样，AI 模型也会面临类似的挑战。

另一个有趣的因素与模型预测的处理有关。尽管无锚框模型的架构比基于锚框的模型更简单，但在某些情况下仍然需要进行额外的精炼。例如，可能需要像非极大值抑制（NMS）这样的后处理技术来清理重叠的预测或提高拥挤场景中的准确率。

用 Ultralytics YOLO11 锚定 AI 的未来#

从基于锚框的检测转向无锚框检测是目标检测领域的一项重大进展。有了像 Ultralytics YOLO11 这样的无锚框模型，整个过程得到了简化，从而带来了准确率和速度的双重提升。

通过 Ultralytics YOLO11，我们看到无锚点目标检测如何在自动驾驶汽车、视频监控和医学影像等实时应用中大显身手，在这些应用中，快速且精确的检测至关重要。这种方法使 YOLO11 能够更轻松地适应不同的物体尺寸和复杂的场景，从而在各种环境中提供更好的性能。

随着计算机视觉的持续演进，目标检测只会变得更快、更灵活且更高效。

探索我们的 GitHub 仓库并加入我们活跃的社区，以了解人工智能的最新动态。查看视觉 AI 如何影响制造业和农业等行业。