无 Anchor 检测器

无 Anchor 检测器代表了计算机视觉（CV）领域的一项现代演进，为目标检测提供了一种更加简化和灵活的方法。这些模型不依赖于预定义的 Anchor 框集合来预测目标位置，而是直接识别目标。这通常通过预测目标的中心点及其尺寸，或通过识别诸如角点之类的关键点来实现。这种范式转变简化了检测流程，减少了需要调整的超参数数量，并且通常提高了性能，特别是对于具有各种或不规则形状的目标。

无 Anchor 检测器 vs. 基于 Anchor 的检测器

主要区别在于对象候选的生成方式。

• 基于Anchor的检测器: 像YOLOv5和Faster R-CNN这样的模型在图像中的不同位置使用一组预定义的、具有各种大小和宽高比的anchor框。网络细化这些框以匹配ground-truth对象。这种方法可能计算量很大，并且需要仔细选择anchor配置，这可能无法很好地推广到像COCO这样的不同数据集。
• 无 Anchor 检测器： 这些模型无需预定义的框。 它们直接从图像特征预测对象属性。 这使得设计更简单，并可以实现更快的 实时推理 和改进的对不规则形状对象的检测。 包括 Ultralytics YOLO11 在内的现代架构已经采用了这种设计，以提高效率和灵活性。

转向无锚框设计是目标检测发展中的一个关键进展，由 YOLOX 等模型率先提出，Megvii 在其 2021 年的研究论文 中介绍了该模型。您可以查看 YOLO11 和 YOLOX 之间的技术比较，以了解它们的架构差异。

无锚框检测器如何工作？

无 Anchor 检测器通常采用以下两种主要策略之一：

1. 基于关键点： 这些方法通过识别关键点（例如角点或中心点）来定位对象。该模型学习将这些关键点分组以形成完整的边界框预测。
2. 基于中心点：这些方法预测物体的中心，然后回归从中心到边界框四个边的距离。这是许多现代检测器中使用的一种常见且有效的技术。

这些方法简化了模型训练期间的标签分配过程，并且通常结合了诸如复杂的损失函数和强大的数据增强等先进技术来提高性能。

实际应用

无锚框检测器的灵活性和效率使其在各个领域都非常有效：

• 自动驾驶：在自动驾驶汽车的系统中，这些检测器可以准确地识别行人、其他汽车以及各种形状和大小的障碍物。这种适应性对于像 Waymo 这样的公司正在开发的导航系统至关重要。
• 医学影像分析：无锚框模型擅长定位具有不规则形状的异常情况，例如医学扫描中的肿瘤或病变。例如，使用 YOLO11 进行肿瘤检测利用了其无锚框的特性，以便在医学图像中进行更精确的定位。
• 零售分析：这些模型可以有效地监控商店货架上缺货的商品或分析客户流量，即使是对于密集堆放或形状奇特的产品也是如此。这是AI 驱动的库存管理的关键部分。
• 安全与监控： 在拥挤的场景中识别人员或物体是智能监控中的一项常见任务。无锚框检测器能够很好地处理不同尺度的物体，使其成为这些应用的理想选择。

工具与技术

主流的深度学习框架，如 PyTorch 和 TensorFlow，都支持无锚框模型的开发。Ultralytics 生态系统为构建和部署这些先进的检测器提供了全面的工具。您可以查阅我们的文档，并使用 Ultralytics HUB 来管理数据集、训练模型和处理部署。如需持续学习，Coursera 等平台提供基础课程，而 Papers With Code 等资源则列出了最先进的模型。