Ultralytics YOLO11 作为无锚框检测器的优势

回顾一下视觉 AI 模型的历史，目标检测这一计算机视觉核心任务自 20 世纪 60 年代起便已存在。目标检测涉及识别和定位图像或视频中的对象。不过，它之所以成为当今前沿创新的重要组成部分，关键在于目标检测技术和模型架构自那时起不断发展并快速改进。

在之前的文章中，我们讨论了目标检测的演变以及通向 Ultralytics YOLO 模型的发展历程。今天，我们将重点探讨这一历程中的一个更具体的里程碑：从基于锚框的检测器转向无锚框检测器。

基于锚框的检测器依赖预定义的框（称为“锚框”）来预测对象在图像中的位置。相比之下，无锚框检测器跳过这些预定义框，而是直接预测对象位置。

虽然这种转变看起来像是一个简单而合乎逻辑的改变，但它实际上显著提升了目标检测的准确性和效率。在本文中，我们将了解无锚框检测器如何通过Ultralytics YOLO11等技术进步重塑计算机视觉。

什么是基于锚框的检测器？#

基于锚框的检测器使用预定义的框（称为锚框）来帮助定位图像中的对象。你可以把这些锚框想象成覆盖在图像上的网格框，它们具有不同的大小和形状。随后，模型会调整这些框，使其贴合检测到的对象。例如，如果模型识别出一辆汽车，它会修改锚框，使其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对象相关联，在训练过程中，模型会学习如何调整锚框，使其更好地匹配对象的位置、大小和宽高比。这使模型能够检测不同尺度和方向的对象。不过，选择合适的锚框集合可能耗时较长，对其进行微调的过程也容易出错。

图 1：什么是锚框？

虽然YOLOv4等基于锚框的检测器在许多应用中表现良好，但它们也存在一些缺点。例如，锚框并不总能很好地适应不同形状或大小的对象，这会增加模型检测小型或形状不规则对象的难度。选择和微调锚框大小的过程也可能耗时较长，并且需要大量人工操作。此外，基于锚框的模型通常难以检测被遮挡或相互重叠的对象，因为预定义框可能无法很好地适应这些更复杂的场景。

转向无锚框目标检测#

无锚框检测器在 2018 年开始受到关注，CornerNet 和 CenterNet 等模型通过消除对预定义锚框的需求，为目标检测采用了全新的方法。传统模型依赖不同大小和形状的锚框来预测对象位置，而无锚框模型则直接预测对象的位置。它们关注对象的关键点或特征，例如中心点，从而简化检测过程，使其更快速、更准确。

以下是无锚框模型通常的工作方式：

• 关键点检测：某些模型不使用预定义框，而是识别对象上的重要点，例如中心点或特定角点。这些关键点帮助模型确定对象的位置和大小。
• 中心点预测：某些模型专注于预测对象的中心点。定位中心点后，模型便可以据此预测整个对象的大小和位置。
• 热力图回归：许多无锚框模型使用热力图，其中每个像素都表示对象可能出现的位置。热力图值越高，表示该位置存在对象的置信度越高。

图 2：基于锚框的检测与无锚框检测对比。

由于无锚框模型不依赖锚框，因此其设计更加简单。这意味着它们在计算上更高效。由于无需处理多个锚框，它们能够更快地检测对象，这对于自动驾驶和视频监控等实时应用而言是一项重要优势。

无锚框模型在处理小型、不规则或被遮挡的对象方面也表现好得多。由于它们专注于检测关键点，而不是尝试拟合锚框，因此更加灵活。这使它们能够在杂乱或复杂的环境中准确地检测对象，而基于锚框的模型可能会在这些环境中失效。

Ultralytics YOLO11：无锚框检测器#

YOLO 模型最初是为速度和效率而设计的，后来逐步从基于锚框的方法转向无锚框检测，使 Ultralytics YOLO11 等模型速度更快、灵活性更高，也更适合广泛的实时应用。

下面快速了解一下无锚框设计在不同 YOLO 版本中的演变：

• Ultralytics YOLOv5u：引入了无锚框分离式 Ultralytics 头部，消除了对预定义锚框的需求。模型不再使用锚框，而是直接预测对象在图像中的位置，从而简化流程并提升灵活性和速度。
• YOLOv6：采用了一种称为锚框辅助训练的方法，锚框仅在训练期间使用。这使模型能够在训练时利用基于锚框方法的结构，同时在运行时使用无锚框检测，从而获得更高的速度和适应性。
• Ultralytics YOLOv8：通过使用无锚框分离式 Ultralytics 头部，完全转向无锚框检测。这使模型速度更快、准确性更高，尤其适合检测难以与锚框良好匹配的小型或形状奇特的对象。
• Ultralytics YOLO11：在 YOLOv8 的无锚框方法基础上进一步优化检测，彻底消除锚框。这使其能够在动物行为监测和零售分析等实时应用中实现更快速、更准确的检测。

图 3：Ultralytics YOLOv8 与 Ultralytics YOLO11 对比。

Ultralytics YOLO11 的实际应用#

使用 Ultralytics YOLO11 进行无锚框检测的一个典型优势体现在自动驾驶车辆中。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安全至关重要。YOLO11 的无锚框方法不依赖预定义锚框，而是直接预测对象的关键点，例如行人的中心点或其他车辆的边界，从而简化检测过程。

图 4：Ultralytics YOLO11 中无锚框检测的优势（图片由作者提供）。

Ultralytics YOLO11 不需要针对每个对象调整或拟合锚框网格，因为这可能计算成本高且速度慢。相反，它专注于关键特征，因此速度更快、效率更高。例如，当行人走入车辆行驶路径时，即使行人部分被遮挡或正在移动，YOLO11 也能通过定位关键点快速识别其位置。无需锚框即可适应不同形状和大小的能力，让 YOLO11 能够更可靠、更快速地检测对象，这对于自动驾驶系统中的实时决策至关重要。

Ultralytics YOLO11 的无锚框能力在以下其他应用中也十分突出：

• 零售与库存管理：Ultralytics YOLO11 让你更轻松地监控货架上的商品，即使商品堆叠在一起或部分被遮挡也不例外。这有助于更快速、更准确地跟踪库存并减少错误。
• 医学影像：YOLO11 在医疗领域同样有效，可以检测医学扫描中的肿瘤或其他异常。它处理形状不规则对象的能力有助于提高复杂疾病诊断的准确性。
• 野生动物监测：在野生动物研究中，Ultralytics YOLO11 可以在茂密森林或复杂地形中跟踪动物，帮助研究人员监测动物行为或保护濒危物种。
• 体育分析：在体育赛事期间，Ultralytics YOLO11 可用于实时跟踪运动员、球的移动或其他要素，为球队、教练和转播商提供有价值的洞察。

使用无锚框模型时需要考虑的事项#

虽然 Ultralytics YOLO11 等无锚框模型具有许多优势，但也存在一些局限。需要考虑的主要实际问题之一是，即使是无锚框模型，在处理遮挡或高度重叠的对象时也可能遇到困难。这是因为计算机视觉旨在模拟人类视觉，正如我们有时难以识别被遮挡的对象一样，AI 模型也可能面临类似挑战。

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，但在某些情况下仍需要进行额外优化。例如，可能需要使用非极大值抑制 (NMS)等后处理技术来清理重叠预测结果，或提高拥挤场景中的准确性。

借助 Ultralytics YOLO11 锚定 AI 的未来#

从基于锚框检测转向无锚框检测，是目标检测领域的一项重大进步。借助 Ultralytics YOLO11 等无锚框模型，检测过程得以简化，准确性和速度也都得到提升。

通过 Ultralytics YOLO11，我们看到了无锚框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发挥优势，而在这些应用中，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对象大小和复杂场景，在各种环境中提供更出色的性能。

随着计算机视觉不断发展，目标检测只会变得更快、更灵活、更高效。

探索我们的 GitHub 代码仓库，加入活跃的社区，及时了解 AI 的最新动态。了解视觉 AI 如何影响制造业和农业等行业。