Ultralytics YOLO11作为无锚框检测器的优势

回顾视觉AI模型的历史，物体检测的概念——作为一项核心的计算机视觉任务，涉及识别和定位图像或视频中的物体——早在20世纪60年代就已出现。然而，它在当今尖端创新中具有重要意义的关键原因是，自那时以来，物体检测技术和模型架构已经进步并迅速改进。 

在之前的一篇文章中，我们讨论了目标检测的演变以及通往Ultralytics YOLO模型的道路。今天，我们将重点探讨这一历程中一个更具体的里程碑：从基于Anchor的检测器到无Anchor检测器的飞跃。 

基于 Anchor 的检测器依赖于预定义的框（称为“anchor”）来预测图像中物体的位置。相比之下，无 Anchor 检测器 跳过这些预定义的框，而是直接预测物体的位置。

虽然这种转变可能看起来像是一个简单、合乎逻辑的变化，但它实际上带来了对象检测准确性和效率的重大改进。在本文中，我们将了解无锚框检测器如何通过 Ultralytics YOLO11 等进步重塑计算机视觉。

什么是基于 Anchor 的检测器？

基于Anchor的检测器使用预定义的框（称为anchor）来帮助定位图像中的对象。可以将这些anchor视为覆盖在图像上的不同大小和形状的框网格。然后，模型会调整这些框以适应其检测到的对象。例如，如果模型识别出一辆汽车，它将修改anchor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可能存在的对象相关联，在训练期间，模型学习如何调整锚框，以更好地匹配对象的位置、大小和宽高比。这使得模型能够检测不同尺度和方向的对象。然而，选择正确的锚框集合可能非常耗时，并且微调过程容易出错。

​

虽然像 YOLOv4 这样的基于 anchor 的检测器在许多应用中表现良好，但它们确实存在一些缺点。例如，anchor 框并不总是与不同形状或大小的对象很好地对齐，这使得模型更难检测到小的或不规则形状的对象。选择和微调 anchor 框大小的过程也可能非常耗时，并且需要大量的人工。除此之外，基于 anchor 的模型通常难以检测到被遮挡或重叠的对象，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Anchor目标检测的转变

无 Anchor 检测器于 2018 年开始受到关注，出现了像 CornerNet 和 CenterNet 这样的模型，它们通过消除对预定义 Anchor 框的需求，从而采用了一种全新的目标检测方法。与依赖于不同大小和形状的 Anchor 框来预测物体位置的传统模型不同，无 Anchor 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），从而简化了检测过程，使其更快、更准确。

以下是无锚框模型的一般工作原理：

• 关键点检测：一些模型不使用预定义的框，而是识别对象上的重要点，例如中心或特定角点。这些关键点帮助模型确定对象的位置和大小。
  ‍
• 中心预测: 一些模型侧重于预测物体的中心。一旦确定了中心，模型就可以从那里预测整个物体的大小和位置。
  ‍
• 热图回归：许多无锚框模型使用热图，其中每个像素代表对象可能存在的位置。较强的热图值表示在该点存在对象的置信度较高。

​

由于无锚框模型不依赖于锚框，因此它们的设计更简单，这意味着它们在计算上更有效率。由于它们不必处理多个锚框，因此可以更快地检测物体，这在自动驾驶和视频监控等实时应用中是一个重要的优势。 

无 Anchor 模型在处理小型、不规则或被遮挡的物体方面也表现更好。由于它们专注于检测关键点而不是试图拟合 Anchor 框，因此它们更加灵活。这使它们能够在杂乱或复杂的环境中准确地检测物体，而基于 Anchor 的模型可能会失败。

Ultralytics YOLO11：一种无锚框检测器

YOLO 模型最初设计是为了速度和效率，现已逐渐从基于 anchor 的方法转向无 anchor 检测，这使得 YOLO11 等模型更快、更灵活，并且更适合各种实时应用。

以下是无锚框设计在不同 YOLO 版本中的演变过程的快速回顾：

• Ultralytics YOLOv5u：引入了无锚框分离式 Ultralytics Head，无需预定义的锚框。该模型直接预测对象在图像中的位置，从而简化了流程并提高了灵活性和速度。
  ‍
• YOLOv6：使用了一种称为 Anchor-Aided Training (AAT) 的新方法，其中锚框仅在训练期间使用。这使得模型能够在训练期间受益于基于锚框的方法的结构，同时仍然在运行时使用无锚框检测，以获得更好的速度和适应性。
  ‍
• Ultralytics YOLOv8：完全切换到无锚框检测，使用无锚框分离式 Ultralytics Head。这使得模型更快、更准确，尤其适用于与锚框不太匹配的小型或形状奇特的物体。
  ‍
• Ultralytics YOLO11：建立在 YOLOv8 的无锚框方法之上，通过完全消除锚框进一步优化检测。这为动物行为监测和零售分析等实时应用带来更快、更准确的检测。

​

YOLO11 的实际应用

使用 YOLO11 的无锚框检测的一个很好的例子是自动驾驶汽车。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）来简化检测过程，而不是依赖于预定义的锚框。 

​

YOLO11 不需要调整或将锚框网格拟合到每个对象，这在计算上可能非常昂贵且缓慢。相反，它专注于关键特征，使其更快更有效。例如，当行人进入车辆的路径时，即使该人被部分隐藏或正在移动，YOLO11 也可以通过精确定位关键点来快速识别其位置。无需锚框即可适应不同形状和大小的能力使 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。

YOLO11 的无 anchor 能力真正脱颖而出的其他应用包括：

• 零售和库存管理：YOLO11可以更轻松地监控货架上的产品，即使它们堆叠或部分被阻挡。这有助于更快、更准确的库存跟踪并减少错误。
  ‍
• 医学成像：YOLO11 在医疗保健领域也很有效，它可以检测医学扫描中的肿瘤或其他异常。它处理不规则形状对象的能力有助于提高诊断复杂疾病的准确性。
  ‍
• 野生动物监测：在野生动物研究中，YOLO11 可以跟踪茂密森林或崎岖地形中的动物，帮助研究人员监测行为或保护濒危物种。
  ‍
• 体育分析：YOLO11可用于在体育赛事期间实时跟踪运动员、球的运动或其他元素，从而为团队、教练和广播公司提供有价值的见解。

使用无Anchor模型时需要考虑的事项

虽然像 YOLO11 这样的无 anchor 模型提供了许多优势，但它们也存在一定的局限性。需要考虑的一个主要实际因素是，即使是无 anchor 模型也可能难以处理遮挡或高度重叠的对象。这背后的原因是计算机视觉旨在复制人类视觉，就像我们有时难以识别被遮挡的对象一样，人工智能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。虽然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，需要进行额外的改进。例如，可能需要诸如 非极大值抑制 (NMS) 之类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性。

使用 YOLO11 锚定 AI 的未来

从基于Anchor的检测到无Anchor的检测的转变是目标检测领域的一项重大进步。借助像YOLO11这样的无Anchor模型，流程得到了简化，从而提高了准确性和速度。

通过YOLO11，我们已经看到无锚框目标检测在实时应用（如自动驾驶汽车、视频监控和医疗成像）中表现出色，在这些应用中，快速而精确的检测至关重要。这种方法使YOLO11能够更容易地适应不同的物体大小和复杂的场景，从而在不同的环境中提供更好的性能。

随着计算机视觉的不断发展，对象检测只会变得更快、更灵活、更高效。

探索我们的GitHub 仓库并加入我们活跃的社区，以随时了解所有关于 AI 的信息。了解视觉 AI 如何影响制造业和农业等行业。