Anchor-Based Detectors

基于锚框的检测器是计算机视觉中目标检测模型的基础类别，它利用一组预定义的边界框来定位和分类目标。这些系统并不是从零开始预测目标坐标，而是以称为锚框的固定参考模板为起点。随后，神经网络会经过训练，以确定这些模板中哪一个与图像中的目标最匹配，并计算将锚框与目标完美对齐所需的具体偏移量——即位置和尺寸的调整。这种方法将任意坐标预测这一困难问题转化为更稳定的回归任务，是 Faster R-CNN 和 SSD 等早期深度学习（DL）架构发展中的关键突破。

基于锚框的机制如何工作#

基于锚框的检测器的核心操作是将输入图像划分为密集网格。在网格的每个单元格中，模型会生成多个具有不同尺度和宽高比的锚框，以适应不同的目标形状，例如高大的行人或宽大的车辆。当图像数据经过模型的骨干网络时，网络会提取丰富的特征，同时执行两项任务：

1. 分类： 模型为每个锚框分配概率分数，预测其中是否包含特定类别的目标（例如“汽车”或“狗”），还是仅仅是背景噪声。

2. 边界框回归： 对于被识别为包含目标的锚框，网络会预测修正因子，以细化锚框中心的 x, y 坐标、宽度和高度，最终得到紧致的边界框。

在模型训练期间，这些检测器会使用称为交并比（IoU）的指标，将预定义的锚框与数据集中提供的真实标注进行匹配。重叠度较高的锚框会被视为正样本。由于这一过程会生成数千个潜在检测结果，因此在推理期间会应用称为非极大值抑制（NMS）的过滤算法，以消除冗余边界框，并为每个目标仅保留最准确的预测结果。

与无锚框检测器的比较#

虽然基于锚框的方法多年来一直是行业标准，但该领域已经逐渐发展到采用无锚框检测器。对于现代从业者而言，了解两者的区别至关重要。

• 基于锚框： YOLOv5 和原始版 RetinaNet 等模型依靠手动配置或k-means 聚类等聚类算法，来确定适合数据集的最佳锚框尺寸。这种方法具有稳定性，但如果目标形状差异很大，可能会显得僵化。
• 无锚框： 包括 YOLO26 在内的现代架构通常会完全移除锚框阶段。它们直接从特征图像素中预测目标中心和尺寸，从而降低计算开销并简化超参数搜索。这种“端到端”方法通常速度更快，也更容易在多样化数据上进行训练。

实际应用#

在目标形状可预测且一致的许多传统和专业生产系统中，基于锚框的逻辑仍然具有现实意义。

• 交通监控： 在智能交通系统中，摄像头会检测车辆，以管理交通流量或识别违规行为。由于汽车和卡车的尺寸较为标准化，基于锚框的模型可以使用特定的先验进行调优，从而最大化精确率和召回率。
• 零售自动化： 自动结账系统使用计算机视觉来识别商品。由于麦片盒等包装商品通常具有固定的宽高比，锚框可以为网络提供有力的先验，帮助其在杂乱场景中区分外观相似的商品。

实现示例#

虽然最新的 YOLO26 模型采用无锚框检测头以实现卓越性能，但运行检测的接口保持一致。Ultralytics Platform 和 Python API 对模型是否使用锚框或中心点的复杂性进行了抽象，让你可以专注于结果。

下面介绍如何加载模型并运行推理来检测目标，无论底层采用何种锚框架构，这一工作流都适用：

from ultralytics import YOLO

# Load the YOLO26 model (optimized for speed and accuracy)
model = YOLO("yolo26n.pt")

# Run inference on an image source
# The model handles internal logic (anchor-based or anchor-free) automatically
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the first result with bounding boxes
results[0].show()

延伸阅读#

要深入理解检测机制，可以研究介绍了区域提议网络（RPN）的基础论文 Faster R-CNN，或阅读单次多框检测器（SSD）的相关内容，该检测器针对速度优化了基于锚框的检测。若想更全面地了解这一领域，COCO 数据集是评估基于锚框和无锚框模型的标准基准。此外，Coursera上的高级课程通常会讲解边界框回归和锚框匹配的数学细节。