无锚探测器

无锚检测器代表了计算机视觉（CV）的现代发展，为物体检测提供了一种更精简、更灵活的方法。这些模型不依赖一组预定义的锚点来预测物体位置，而是直接识别物体。这通常是通过预测物体的中心点及其尺寸，或通过识别角落等关键点来实现的。这种模式的转变简化了检测管道，减少了需要调整的超参数数量，通常还能提高性能，尤其是对于形状多变或不规则的物体。

无锚式与有锚式基于锚的探测器

主要区别在于候选对象是如何产生的。

• 锚式探测器:YOLOv5和 Faster R-CNN 等模型在图像的不同位置使用一组预定义的锚点框，这些锚点框具有不同的尺寸和长宽比。网络会完善这些锚点框，使其与地面实况对象相匹配。这种方法的计算量很大，而且需要仔细选择锚点配置，可能无法在COCO 等不同数据集上很好地通用。
• 无锚探测器：这些模型不需要预定义框。它们根据图像特征直接预测物体属性。这样设计更简单，实时推理速度更快，对不规则形状物体的检测效果更好。包括Ultralytics YOLO11 在内的现代架构都采用了这种设计，以提高效率和灵活性。

向无锚点设计的转变是物体检测发展过程中的一个关键进步，Megvii在其2021 年的研究论文中介绍了 YOLOX 等模型。您可以查看YOLO11 和 YOLOX 的技术对比，了解它们的架构差异。

无锚探测器如何工作？

无锚探测器通常采用两种主要策略之一：

1. 基于关键点：这些方法通过识别关键点（如角落或中心点）来定位物体。模型通过学习将这些关键点分组，形成完整的边界框预测。
2. 基于中心：这些方法先预测物体的中心，然后回归中心到边界框四边的距离。这是许多现代探测器常用的有效技术。

这些方法简化了模型训练过程中的标签分配过程，并通常采用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

无锚检测器的灵活性和高效性使其在各个领域都非常有效：

• 自动驾驶：在自动驾驶汽车系统中，这些探测器可以准确识别行人、其他车辆以及各种形状和大小的障碍物。这种适应性对于Waymo 等公司正在开发的导航系统至关重要。
• 医学图像分析：无锚模型擅长定位不规则形状的异常点，如医学扫描中的肿瘤或病变。例如，利用 YOLO11 的无锚点特性进行肿瘤检测，可以在医学图像中进行更精确的定位。
• 零售分析：这些模型可以有效监控商店货架上的缺货商品或分析顾客流量，即使是包装密集或形状奇特的商品也不例外。这是人工智能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个人或物体是智能监控中的一项常见任务。无锚检测器能很好地处理不同尺度的物体，因此非常适合这些应用。

工具和技术

PyTorch和TensorFlow 等主要深度学习框架都支持无锚模型的开发。Ultralytics 生态系统为构建和部署这些高级检测器提供了全面的工具。您可以浏览我们的文档，并使用Ultralytics HUB管理数据集、训练模型和处理部署。要继续学习，Coursera等平台提供了基础课程，Papers With Code等资源列出了最先进的模型。