Detection Head

了解检测头如何实现实时目标检测。探索它在 Ultralytics YOLO26 中预测边界框和高精度标签的作用。

检测头（Detection head）在目标检测神经网络架构中扮演着最终决策层的角色。模型的早期层负责理解图像中的形状、纹理和特征，而检测头则是专门负责解析这些信息，以精确预测图像中存在哪些物体及其位置的组件。它将特征提取器生成的抽象高维数据转换为可操作的结果，通常输出一组包围已识别物体的边界框，以及相应的类别标签和置信度分数。

Link to this section区分检测头、主干网络（Backbone）与颈部（Neck）#

要完全理解检测头的功能，将现代检测器想象为由三个主要阶段组成是有帮助的，每个阶段在计算机视觉 (CV) 流程中都有其独特的作用：

主干网络 (Backbone)： 这是网络的初始部分，通常是像 ResNet 或 CSPNet 这样的卷积神经网络 (CNN)。它处理原始输入图像，创建代表视觉模式的特征图。
颈部 (Neck)： 位于主干网络和检测头之间，颈部负责优化和组合来自不同尺度的特征。像特征金字塔网络 (FPN) 这样的架构通过聚合上下文信息，确保模型能够检测出不同尺寸的物体。
检测头 (Head)： 最终组件，负责处理来自颈部的精细化特征。它执行实际的分类任务（这是什么？）和回归任务（它在哪里？）。

Link to this section演进：基于锚框（Anchor-Based）与无锚框（Anchor-Free）#

检测头的设计为了提高速度和精度已经历了显著的演进，特别是在从传统方法向现代实时推理模型转型的过程中。

基于锚框的检测头 (Anchor-Based Heads)： 传统的单阶段目标检测器依赖于预定义的锚框——即各种尺寸的固定参考形状。检测头会预测需要对这些锚框进行多少拉伸或移动以匹配物体。这种方法在关于 Faster R-CNN 的基础研究中有详细说明。
无锚框检测头 (Anchor-Free Heads)： 包括最新的 YOLO26 在内的最先进模型都利用了无锚框检测器。这些检测头直接根据特征图中的像素预测物体的中心和尺寸，无需手动调整锚框。这简化了架构并增强了模型对新颖物体形状的泛化能力，这种技术通常与全卷积单阶段目标检测 (FCOS) 相关联。

Link to this section实际应用#

检测头的精度对于在安全关键和工业环境中部署人工智能 (AI) 至关重要。用户可以使用 Ultralytics Platform 轻松标注数据并训练这些专门的检测头。

自动驾驶： 在汽车 AI 中，检测头负责实时区分行人、交通灯和其他车辆。高度优化的检测头可确保推理延迟保持在足够低的水平，使车辆能够做出即时反应。
医学诊断： 在医学图像分析中，检测头经过微调以定位 MRI 扫描中的异常（如肿瘤）。回归分支必须极其精确，以勾勒出病变的精确边界，从而在医疗保健解决方案中为医生提供辅助。

Link to this section代码示例#

以下示例展示了如何加载 YOLO26 模型并检查其检测头的输出。当进行推理时，检测头会处理图像并返回包含坐标和类别 ID 的最终 boxes。

from ultralytics import YOLO

# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image to utilize the detection head
results = model("https://ultralytics.com/images/bus.jpg")

# The detection head outputs are stored in results[0].boxes
for box in results[0].boxes:
    # Print the bounding box coordinates and the predicted class
    print(f"Class: {int(box.cls)}, Coordinates: {box.xywh.numpy()}")

这种交互凸显了检测头如何将复杂的神经网络激活转换为开发人员可用于目标追踪或计数等下游任务的可读数据。