Glosario

Detectores basados en anclajes

Descubre cómo los detectores basados en anclas revolucionan la detección de objetos con una localización precisa, adaptabilidad a la escala y aplicaciones en el mundo real.

Entrena los modelos YOLO simplemente
con Ultralytics HUB

Saber más

Los detectores basados en anclas representan un enfoque fundacional dentro de la visión por ordenador (VC ) para realizar la detección de objetos. Estos modelos se basan en un conjunto de cuadros de referencia predefinidos, conocidos como "anclas" o "priors", que tienen tamaños y relaciones de aspecto específicos. Estas anclas sirven como puntos de partida o plantillas a través de una imagen, ayudando al modelo a predecir la ubicación y la clase de objetos potenciales con mayor eficacia, especialmente los que varían significativamente en escala y forma. Muchas arquitecturas anteriores de detección de objetos utilizaban este método con éxito.

Cómo funcionan los detectores basados en anclas

La idea central de los detectores basados en anclas consiste en colocar una rejilla densa de cajas de anclaje a lo largo de la imagen de entrada en varias ubicaciones. Cada caja de anclaje representa un posible objeto candidato con una escala y una relación de aspecto predefinidas. Durante el proceso de entrenamiento, el modelo aprende dos cosas principales para cada ancla: en primer lugar, si el ancla contiene un objeto relevante (clasificación) y, en segundo lugar, cómo ajustar la posición y las dimensiones del ancla (regresión) para que se ajuste al cuadro delimitador del objeto real.

Imagina que buscas distintos vehículos en una gran imagen de un aparcamiento. En lugar de escanear píxel a píxel, utilizas plantillas rectangulares predefinidas (anclas): verticales pequeñas para las motos, cuadradas medianas para los coches y anchas grandes para los autobuses. Superpones estas plantillas a lo largo de la imagen. Cuando una plantilla se solapa significativamente con un vehículo, el modelo aprende a confirmar "Sí, esto es un coche" y desplaza y redimensiona ligeramente la plantilla para que se ajuste perfectamente a los límites del coche. Los anclajes que cubren mayoritariamente el fondo se clasifican como tales. Este método cubre sistemáticamente las posibilidades, guiándose por las formas predefinidas. El rendimiento suele medirse utilizando métricas como Intersección sobre Unión (IoU) y Precisión Media (mAP).

Principales características y ventajas

Los detectores basados en anclas, a menudo construidos sobre Redes Neuronales Convolucionales (CNN), ofrecen varias características notables:

  • Manejo de la variación de escala y relación de aspecto: Los anclajes predefinidos cubren explícitamente diferentes tamaños y formas de objetos, mejorando la robustez de la detección.
  • Generación estructurada de propuestas: Los anclajes proporcionan una forma estructurada de generar propuestas de objetos en toda la imagen, lo que simplifica las fases iniciales de la detección en comparación con algunos métodos anteriores.
  • Rendimiento demostrado: Arquitecturas como Faster R-CNN y SSD (Detector de Disparo Único MultiBox) demostraron un gran rendimiento en varios conjuntos de datos de referencia.

Detectores basados en anclajes vs. Detectores sin anclajes

Un avance significativo en la detección de objetos ha sido el auge de los detectores sin anclaje. A diferencia de los modelos basados en anclas (por ejemplo, YOLOv4), los métodos sin anclas predicen la ubicación y el tamaño de los objetos directamente, a menudo identificando puntos clave (como esquinas o centros) o prediciendo distancias desde un punto a los límites del objeto, sin depender de formas de anclaje predefinidas.

Las principales distinciones son:

  • Complejidad: Los métodos basados en anclajes requieren un diseño cuidadoso y un ajuste de los parámetros de anclaje (escalas, proporciones, densidad), que puede ser complejo y depender del conjunto de datos. Los métodos sin anclas eliminan este paso de ajuste.
  • Flexibilidad: Los detectores sin anclaje pueden adaptarse mejor a objetos con relaciones de aspecto inusuales o tamaños no bien representados por el conjunto de anclaje fijo.
  • Eficacia: Eliminar los pasos de generación de anclas y de emparejamiento a veces puede dar lugar a modelos más sencillos y rápidos.

Modelos modernos como Ultralytics YOLO11 utilizan enfoques sin anclas, aprovechando sus ventajas en eficacia y simplicidad. Puedes leer más sobre las ventajas de la detección sin anclajes en YOLO11.

Aplicaciones en el mundo real

A pesar de la tendencia hacia los métodos sin anclaje, los detectores basados en anclajes se han utilizado con éxito en numerosas aplicaciones:

  1. Conducción autónoma: Detectar vehículos, peatones, ciclistas y señales de tráfico es crucial para los coches de conducción autónoma. Los modelos basados en anclajes se han utilizado ampliamente para identificar estos objetos de forma fiable a través de varias distancias y perspectivas. Más información sobre la IA en los coches autónomos y la investigación relacionada con la conducción autónoma.
  2. Análisis del comercio minorista: Controlar los niveles de existencias en las estanterías, detectar artículos mal colocados o analizar las pautas de tráfico de los clientes suele implicar la identificación de numerosos objetos pequeños (productos). Los sistemas basados en anclas pueden configurarse para manejar las escalas y relaciones de aspecto específicas de los entornos minoristas. Explora cómo la IA contribuye a una gestión más inteligente del inventario minorista y las tendencias generales del análisis minorista.

Aunque los métodos sin anclaje ganan popularidad, comprender los detectores basados en anclajes es esencial para apreciar la evolución de la detección de objetos y su continua relevancia en contextos específicos o sistemas heredados. Herramientas como PyTorch y TensorFlow admiten tanto el desarrollo de modelos basados en anclas como el de modelos sin anclas, mientras que plataformas como Ultralytics HUB agilizan la formación y el despliegue de detectores modernos.

Leer todo