Ultralytics YOLO11 作为无锚框检测器的优势

回顾视觉 AI 模型的发展史，目标检测这一核心计算机视觉任务——识别并定位图像或视频中的物体——自 20 世纪 60 年代起就已出现。它如今如此重要，是因为从那时起目标检测技术和模型架构都取得了长足进步。

在上一篇文章中，我们讨论了目标检测的发展历程，以及 Ultralytics YOLO 模型的发展路径。今天，我们将重点探讨这一历程中的一个具体里程碑：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”）来预测图像中物体的位置。相比之下，无锚框检测器不使用这些预定义框，而是直接预测物体的位置。

这种转变看似简单而合理，但实际上大幅提升了目标检测的精度和效率。本文将介绍无锚框检测器如何借助 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先定义的框（称为锚框）来帮助定位图像中的物体。你可以把这些锚框想象成覆盖在图像上的网格框，它们的尺寸和形状各不相同。随后，模型会调整这些框，使其贴合检测到的物体。例如，如果模型识别出一辆汽车，就会修改锚框，使其更准确地匹配汽车的位置和尺寸。

每个锚框都与图像中一个可能的物体相关联。在训练期间，模型会学习如何调整锚框，使其更贴合物体的位置、尺寸和宽高比。这样，模型就能以不同的尺度和方向检测物体。不过，选择合适的一组锚框可能很耗时，微调锚框的过程也容易出错。

图 1.什么是锚框？

基于锚框的检测器（例如 YOLOv4）虽然已在许多应用中表现良好，但也存在一些缺点。例如，锚框不一定能很好地贴合不同形状或尺寸的物体，因此模型更难检测小物体或形状不规则的物体。选择和微调锚框尺寸的过程也可能很耗时，而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物体，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#

2018 年，CornerNet 和 CenterNet 等模型开始受到关注。这些模型通过取消对预定义锚框的依赖，为目标检测带来了全新的思路。传统模型依靠不同尺寸和形状的锚框来预测物体位置，而无锚框模型会直接预测物体位置。它们关注物体的关键点或特征（例如中心），从而简化检测过程，提升速度和精度。

无锚框模型通常按以下方式工作：

• 关键点检测：有些模型不使用预定义框，而是识别物体上的重要点，例如中心或特定角点。这些关键点可以帮助模型确定物体的位置和大小。
• 中心点预测：有些模型专注于预测物体的中心。确定中心位置后，模型就可以据此预测整个物体的大小和位置。
• 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物体可能出现的位置。热力图值越高，说明模型越确信该位置存在物体。

图 2.基于锚框的检测与无锚框检测对比。

无锚框模型不依赖锚框，因此设计更简单，计算效率也更高。由于不必处理多个锚框，它们能够更快地检测物体，这对于自动驾驶和视频监控等实时应用来说是一项重要优势。

无锚框模型在处理小型、不规则或被遮挡的物体时也表现好得多。由于它们专注于检测关键点，而不是试图拟合锚框，因此灵活性高得多。这使它们能够在杂乱或复杂的环境中准确检测物体，而基于锚框的模型在这些环境中可能会失效。

Ultralytics YOLO11：无锚框检测器#

YOLO 模型最初以速度和效率为设计目标，逐渐从基于锚框的方法转向无锚框检测。这使 Ultralytics YOLO11 等模型速度更快、灵活性更高，也更适合各种实时应用。

快速了解无锚框设计在不同 YOLO 版本中的演进：

• Ultralytics YOLOv5u：采用了在 YOLOv8 中首次引入的 Ultralytics 无锚框分离头，无需使用预定义锚框。模型改为直接预测图像中的物体位置，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（AAT）的新方法，只在训练期间使用锚框。这样，模型在训练时可以利用基于锚框方法的结构优势，同时在运行时仍采用无锚框检测，获得更快的速度和更好的适应性。
• Ultralytics YOLOv8：通过采用无锚框分离式 Ultralytics Head，全面转向无锚框检测。这让模型速度更快、精度更高，尤其适合检测难以用锚框拟合的小物体或形状奇特的物体。
• Ultralytics YOLO11：保留了 YOLOv8 的无锚框设计，同时改进了骨干网络和颈部网络。因此，该模型在动物行为监测和零售分析等实时应用中检测更快、更准确。

图 3. Ultralytics YOLOv8 与 Ultralytics YOLO11 对比。

Ultralytics YOLO11 的实际应用#

使用 Ultralytics YOLO11 进行无锚框检测的优势，在自动驾驶汽车领域得到了很好的体现。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 的无锚框方法通过直接预测物体的关键点（例如行人的中心或另一辆车的边界），而不是依赖预定义的锚框，简化了检测过程。

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

Ultralytics YOLO11 无需针对每个物体调整或拟合锚框网格，因为这可能会消耗大量计算资源并拖慢速度。相反，它专注于关键特征，因此速度更快、效率更高。例如，行人走进车辆行驶路线时，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。无需锚框就能适应不同形状和大小的物体，这让 YOLO11 能够更可靠、更快速地检测物体，这对自动驾驶系统的实时决策至关重要。

Ultralytics YOLO11 的无锚框能力在其他应用中也十分突出，包括：

• 零售和库存管理：Ultralytics YOLO11 可以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、准确地跟踪库存并减少错误。
• 医学影像：YOLO11 在医疗保健领域同样有效，可检测医学扫描影像中的肿瘤或其他异常。它能够处理形状不规则的物体，有助于提高复杂病症的诊断准确性。
• 野生动物监测：在野生动物研究中，Ultralytics YOLO11 可以在茂密的森林或崎岖地形中追踪动物，帮助研究人员监测动物行为或保护濒危物种。
• 体育分析：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、教练和转播机构提供有价值的见解。

使用无锚框模型时需要考虑的问题#

Ultralytics YOLO11 等无锚框模型虽然有许多优势，但也存在一些局限性。实际应用中需要考虑的主要问题之一是，即使是无锚框模型，也可能难以处理遮挡或高度重叠的物体。其原因在于，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物体一样，AI 模型也会面临类似的挑战。

另一个值得关注的方面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简单，但在某些情况下仍需要进一步优化。例如，可能需要使用非极大值抑制 (NMS)等后处理技术，清除重叠预测，或提高拥挤场景中的准确性。Ultralytics YOLO26 等较新的模型通过端到端、无需 NMS 的设计省去了这一步。

借助 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步。借助 Ultralytics YOLO11 等无锚框模型，检测流程得以简化，准确性和速度也随之提升。

通过 Ultralytics YOLO11，我们看到无锚框目标检测在自动驾驶汽车、视频监控和医学影像等实时应用中表现出色，而这些应用都需要快速、精确的检测。这种方法让 YOLO11 更容易适应不同大小的物体和复杂场景，从而在各种环境中提供更好的性能。

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。

访问我们的 GitHub 代码库，加入活跃的社区，及时了解 AI 领域的最新动态。了解视觉 AI 如何影响制造业和农业等行业。