Detectores basados en anclajes

Los detectores basados en anclas son una categoría de modelos de detección de objetos en visión por ordenador que utilizan cajas predefinidas -anclas- para predecir las ubicaciones y categorías de los objetos dentro de una imagen. Estos anclajes actúan como referencias para generar propuestas de objetos potenciales. Son esenciales para manejar objetos de escalas y relaciones de aspecto variables, y prevalecen en muchas arquitecturas populares de detección de objetos.

Cómo funcionan los detectores basados en anclas

Los detectores basados en anclas clasifican y refinan la posición de estas cajas de anclas para detectar objetos con precisión. Funcionan utilizando una cuadrícula de cajas de anclaje a diferentes escalas y relaciones de aspecto, que se deslizan por la imagen. Cada cuadro se ajusta durante el proceso de entrenamiento para ajustarse mejor a los objetos, convirtiéndose en un cuadro delimitador con puntuaciones de clase distintas.

Modelos notables

• R-CNN más rápida: Esta arquitectura utiliza propuestas de regiones y es famosa por su precisión. Consiste en una Red de Propuestas Regionales (RPN) que genera propuestas de objetos e implica un marco de dos etapas.
• RetinaNet: Conocido por su uso de la pérdida focal, RetinaNet es un detector de una sola etapa que mantiene una alta precisión con eficacia, al tiempo que aborda el desequilibrio de clases.
• Ultralytics YOLOv8: Este modelo sigue mejorando las excepcionales capacidades de detección en tiempo real, al tiempo que integra metodologías basadas en el anclaje. Más información YOLOv8.

Aplicaciones en IA y ML

Los detectores basados en anclas se aplican ampliamente en diversas industrias debido a su robustez y adaptabilidad:

• Vehículos autónomos: Ayudan al reconocimiento en tiempo real de peatones, vehículos y obstáculos, mejorando la seguridad vial.
• Sanidad: Se utiliza en imágenes médicas para detectar anomalías o enfermedades en las exploraciones. Descubre más sobre la IA en la Sanidad.
• Agricultura: Se utiliza en la agricultura de precisión para identificar cultivos y controlar su crecimiento. Más información sobre la IA en la agricultura.

Características distintivas

• Comparativa con los detectores sin anclajes: Los modelos sin anclajes, como CenterNet, proponen un enfoque diferente al predecir los centros y dimensiones de los objetos sin anclajes predefinidos. Aunque ambos métodos son eficaces, a menudo se prefieren los modelos basados en anclajes para manejar diversas escalas de objetos dentro de una imagen.

Ejemplos reales

1. Fabricación: Los detectores basados en anclas agilizan el control de calidad detectando defectos en los productos, lo que garantiza unos estándares elevados.
2. Comercio minorista: Se utiliza en la gestión de inventarios para identificar los artículos almacenados en las estanterías mediante estrategias avanzadas de detección de objetos.

Enlaces relacionados

• Explora la evolución de los Modelos de Detección de Objetos.
• Conoce los Bounding Boxes y su importancia en las tareas de visión por ordenador.
• Descubre más sobre el tipo de modelos utilizados en los Detectores de Objetos de Dos Etapas.

Los detectores basados en anclas siguen siendo esenciales para el avance de las capacidades de la IA en aplicaciones del mundo real, ya que ofrecen una visión matizada de la detección, el seguimiento y el procesamiento de objetos. Explora cómo Ultralytics permite desplegar fácilmente estas tecnologías con Ultralytics HUB.