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充当最终的决策层。模型的早期层负责理解图像中的形状、纹理和特征，而检测头则是具体组件，它通过解释这些信息来精确预测存在什么对象以及它们位于何处。它将特征提取器生成的抽象高级数据转换为可操作的结果，通常输出一组包含所识别对象的边界框以及相应的类别标签和置信度分数。

区分检测头、主干网络（Backbone）与颈部（Neck）#

为了充分理解检测头的功能，将现代检测器可视化为由三个主要阶段组成会很有帮助，每个阶段在计算机视觉 (CV) 管道中服务于不同的目的：

**骨干网络（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以创建表示视觉模式的特征图。
**颈部（Neck）：**位于骨干网络和头部之间，颈部负责精炼和组合来自不同尺度的特征。特征金字塔网络 (FPN) 等架构通过聚合上下文确保模型能够检测出各种大小的对象。
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？）。

演进：基于锚框（Anchor-Based）与无锚框（Anchor-Free）#

检测头的设计已经历了显著的演变以提高速度和准确性，特别是在从传统方法向现代实时推理模型的过渡过程中。

**基于锚框的头部（Anchor-Based Heads）：**传统的单阶段目标检测器依赖于预定义的锚框——即各种大小的固定参考形状。检测头会预测需要将这些锚框拉伸或平移多少来适配对象。这种方法在关于Faster R-CNN的基础研究中有详细说明。
**无锚框的头部（Anchor-Free Heads）：**最先进的模型，包括最新的 YOLO26，利用了无锚框检测器。这些头部直接从特征图的像素中预测对象中心和尺寸，无需手动调整锚框。这简化了架构并增强了模型泛化到新颖对象形状的能力，这种技术通常与全卷积一阶段目标检测 (FCOS)相关联。

实际应用#

检测头的精确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。你可以使用Ultralytics Platform轻松注释数据并训练这些专用的头部。

**自动驾驶：**在汽车 AI 中，检测头负责实时区分行人、交通信号灯和其他车辆。高度优化的头部可确保推理延迟保持在足够低的水平，以便车辆能够瞬间做出反应。
**医学诊断：**在医学图像分析中，经过微调的检测头用于定位 MRI 扫描中的肿瘤等异常。回归分支必须极其准确以勾勒出病变的精确边界，从而协助医生进行医疗解决方案的制定。

代码示例#

以下示例演示了如何加载 YOLO26 模型并检查其检测头的输出。当运行推理时，头部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()}")

这种交互突显了检测头如何将复杂的神经网络激活转换为可读的数据，供开发者用于诸如目标跟踪或计数等下游任务。