Les avantages de Ultralytics YOLO11 en tant que détecteur sans ancrage

Si nous jetons un coup d'œil à l'histoire des modèles d'IA de la vision, le concept de détection d'objets - une tâche centrale de la vision par ordinateur qui consiste à identifier et à localiser des objets dans une image ou une vidéo - existe depuis les années 1960. Cependant, la principale raison de son importance dans les innovations de pointe aujourd'hui est que les techniques de détection d'objets et les architectures de modèles ont progressé et se sont rapidement améliorées depuis. 

Dans un article précédent, nous avons discuté de l'évolution de la détection d'objets et du chemin qui a mené aux modèles Ultralytics YOLO . Aujourd'hui, nous allons nous concentrer sur l'exploration d'une étape plus spécifique de ce voyage : le saut des détecteurs basés sur l'ancrage aux détecteurs sans ancrage. 

Les détecteurs basés sur les ancres s'appuient sur des boîtes prédéfinies, appelées "ancres", pour prédire l'emplacement des objets dans une image. En revanche, les détecteurs sans ancrage ne tiennent pas compte de ces boîtes prédéfinies et prédisent directement l'emplacement des objets.

Si ce changement peut sembler simple et logique, il a en fait permis d'améliorer considérablement la précision et l'efficacité de la détection d'objets. Dans cet article, nous allons comprendre comment les détecteurs sans ancrage ont remodelé la vision par ordinateur grâce à des avancées telles que... Ultralytics YOLO11.

Qu'est-ce qu'un détecteur à ancrage ?

Les détecteurs basés sur les ancres utilisent des boîtes prédéfinies, appelées ancres, pour aider à localiser les objets dans une image. Considère ces ancres comme une grille de boîtes de tailles et de formes différentes placées sur l'image. Le modèle ajuste ensuite ces boîtes en fonction des objets qu'il détecte. Par exemple, si le modèle identifie une voiture, il modifiera la boîte d'ancrage pour qu'elle corresponde plus précisément à la position et à la taille de la voiture.

Chaque ancre est associée à un objet possible dans l'image et, au cours de l'entraînement, le modèle apprend à modifier les boîtes d'ancrage pour qu'elles correspondent mieux à l'emplacement, à la taille et au rapport d'aspect de l'objet. Cela permet au modèle de détecter des objets à différentes échelles et orientations. Cependant, la sélection du bon ensemble de boîtes d'ancrage peut prendre beaucoup de temps, et le processus d'ajustement peut être sujet à des erreurs.

‍

Bien que les détecteurs basés sur les ancres, comme YOLOv4, aient bien fonctionné dans de nombreuses applications, ils présentent certains inconvénients. Par exemple, les boîtes d'ancrage ne s'alignent pas toujours bien avec des objets de formes ou de tailles différentes, ce qui rend plus difficile la détection par le modèle d'objets de petite taille ou de forme irrégulière. Le processus de sélection et d'ajustement de la taille des boîtes d'ancrage peut également prendre du temps et nécessiter beaucoup d'efforts manuels. En outre, les modèles basés sur les ancres ont souvent du mal à détecter les objets qui sont occultés ou qui se chevauchent, car les boîtes prédéfinies ne s'adaptent pas toujours bien à ces scénarios plus complexes.

Le passage à la détection d'objets sans ancrage

Les détecteurs sans ancrage ont commencé à attirer l'attention en 2018 avec des modèles comme CornerNet et CenterNet, qui ont adopté une nouvelle approche de la détection d'objets en éliminant le besoin de boîtes d'ancrage prédéfinies. Contrairement aux modèles traditionnels qui s'appuient sur des boîtes d'ancrage de différentes tailles et formes pour prédire où se trouvent les objets, les modèles sans ancrage prédisent directement l'emplacement des objets. Ils se concentrent sur les points clés ou les caractéristiques de l'objet, comme le centre, ce qui simplifie le processus de détection et le rend plus rapide et plus précis.

Voici comment fonctionnent généralement les modèles sans ancrage :

• Détection des points clés: Au lieu d'utiliser des boîtes prédéfinies, certains modèles identifient des points importants sur un objet, comme le centre ou des coins spécifiques. Ces points clés aident les modèles à comprendre où se trouve l'objet et quelle est sa taille.
• Centre prédiction: Certains modèles se concentrent sur la prédiction du centre d'un objet. Une fois le centre localisé, le modèle peut prédire la taille et la position de l'objet entier à partir de là.
• Régression par carte thermique: De nombreux modèles sans ancrage utilisent des heatmaps, où chaque pixel représente un emplacement possible d'un objet. Des valeurs de heatmap plus fortes indiquent une plus grande confiance dans la présence d'un objet à cet endroit.

‍

Comme les modèles sans ancrage ne reposent pas sur des boîtes d'ancrage, leur conception est plus simple. Cela signifie qu'ils sont plus efficaces sur le plan informatique. Comme ils n'ont pas à traiter plusieurs boîtes d'ancrage, ils peuvent détecter les objets plus rapidement - un avantage important dans les applications en temps réel telles que la conduite autonome et la vidéosurveillance. 

Les modèles sans ancrage sont également bien meilleurs pour gérer les objets de petite taille, irréguliers ou occultés. Comme ils se concentrent sur la détection des points clés plutôt que d'essayer de s'adapter aux boîtes d'ancrage, ils sont beaucoup plus flexibles. Ils peuvent ainsi détecter des objets avec précision dans des environnements encombrés ou complexes où les modèles basés sur les ancres risquent d'échouer.

Ultralytics YOLO11: Un détecteur sans ancrage

Conçus à l'origine pour la rapidité et l'efficacité, les modèles YOLO sont progressivement passés des méthodes basées sur l'ancrage à la détection sans ancrage, ce qui rend les modèles comme YOLO11 plus rapides, plus flexibles et mieux adaptés à un large éventail d'applications en temps réel.

Voici un rapide coup d'œil sur l'évolution de la conception sans ancrage dans les différentes versions de YOLO :

• Ultralytics YOLOv5u: Introduction de la tête de division sans ancrage Ultralytics , qui supprime le besoin de boîtes d'ancrage prédéfinies. Au lieu de cela, le modèle prédit directement où se trouvent les objets dans une image, ce qui simplifie le processus et améliore la flexibilité et la rapidité.
• YOLOv6: Une nouvelle méthode appelée Anchor-Aided Training (AAT) a été utilisée, où les ancres n'ont été utilisées que pendant la formation. Cela a permis au modèle de bénéficier de la structure des méthodes basées sur les ancres pendant la formation, tout en utilisant la détection sans ancres lors de l'exécution pour une meilleure vitesse et adaptabilité.
• Ultralytics YOLOv8: Passage complet à la détection sans ancrage en utilisant la tête fendue sans ancrage Ultralytics . Cela a rendu le modèle plus rapide et plus précis, en particulier pour les objets de petite taille ou de forme bizarre qui ne s'adaptent pas bien aux boîtes d'ancrage.
• Ultralytics YOLO11: S'appuie sur l'approche sans ancrage de YOLOv8et optimise encore davantage la détection en éliminant complètement les boîtes d'ancrage. Il en résulte une détection plus rapide et plus précise pour les applications en temps réel telles que la surveillance du comportement des animaux et l'analyse du commerce de détail.

‍

Applications concrètes de la YOLO11

Les véhicules autonomes constituent un excellent exemple des avantages de la détection sans ancrage à l'aide du site YOLO11 . Dans les voitures à conduite autonome, la détection rapide et précise des piétons, des autres véhicules et des obstacles est cruciale pour la sécurité. YOLO11 La méthode de détection sans ancrage de la société simplifie le processus de détection en prédisant directement les points clés des objets, comme le centre d'un piéton ou les limites d'un autre véhicule, plutôt que de s'appuyer sur des boîtes d'ancrage prédéfinies. 

‍

YOLO11 n'a pas besoin d'ajuster ou d'adapter une grille d'ancrages à chaque objet, ce qui peut s'avérer lent et coûteux en termes de calcul. Au lieu de cela, il se concentre sur les caractéristiques clés, ce qui le rend plus rapide et plus efficace. Par exemple, lorsqu'un piéton se trouve sur le chemin du véhicule, YOLO11 peut rapidement identifier son emplacement en repérant les points clés, même si la personne est partiellement cachée ou en mouvement. La capacité à s'adapter à des formes et des tailles variables sans boîte d'ancrage permet à YOLO11 de détecter des objets de manière plus fiable et à des vitesses plus élevées, ce qui est vital pour la prise de décision en temps réel dans les systèmes de conduite autonome.

Parmi les autres applications où les capacités sans ancrage de YOLO11se distinguent vraiment, on peut citer les suivantes :

• Vente au détail et gestion des stocks: YOLO11 facilite le suivi des produits sur les étagères, même lorsqu'ils sont empilés ou partiellement bloqués. Cela permet un suivi plus rapide et plus précis des stocks et réduit les erreurs.
• Imagerie médicale: YOLO11 est également efficace dans le domaine de la santé, où il permet de détecter des tumeurs ou d'autres anomalies dans les scanners médicaux. Sa capacité à travailler avec des objets de forme irrégulière permet d'améliorer la précision du diagnostic des affections complexes.
• Surveillance de la faune: Dans le cadre de la recherche sur la faune, YOLO11 peut suivre les animaux dans les forêts denses ou sur les terrains difficiles, ce qui aide les chercheurs à surveiller le comportement ou à protéger les espèces menacées.
• Analyse sportive: YOLO11 peut être utilisé pour suivre les joueurs, les mouvements du ballon ou d'autres éléments en temps réel pendant les événements sportifs afin de fournir des informations précieuses aux équipes, aux entraîneurs et aux diffuseurs.

Considérations à prendre en compte lorsque l'on travaille avec des modèles sans ancrage

Bien que les modèles sans ancrage tels que YOLO11 offrent de nombreux avantages, ils présentent certaines limites. L'une des principales considérations pratiques à prendre en compte est que même les modèles sans ancrage peuvent avoir des difficultés avec les occlusions ou les objets qui se chevauchent fortement. La raison en est que la vision par ordinateur vise à reproduire la vision humaine, et tout comme nous avons parfois du mal à identifier les objets occultés, les modèles d'IA peuvent être confrontés à des défis similaires.

Un autre facteur intéressant est lié au traitement des prédictions du modèle. Bien que l'architecture des modèles sans ancrage soit plus simple que celle des modèles basés sur l'ancrage, un raffinement supplémentaire devient nécessaire dans certains cas. Par exemple, des techniques de post-traitement telles que la suppression non maximale (NMS) peuvent être nécessaires pour nettoyer les prédictions qui se chevauchent ou pour améliorer la précision dans les scènes encombrées.

Ancrer l'avenir de l'IA avec YOLO11

Le passage de la détection basée sur l'ancrage à la détection sans ancrage a constitué une avancée significative dans la détection d'objets. Avec des modèles sans ancrage comme YOLO11, le processus est simplifié, ce qui permet d'améliorer à la fois la précision et la rapidité.

Grâce à YOLO11, nous avons pu constater que la détection d'objets sans ancrage excelle dans les applications en temps réel telles que les voitures auto-conduites, la vidéosurveillance et l'imagerie médicale, où la rapidité et la précision de la détection sont cruciales. Cette approche permet à YOLO11 de s'adapter plus facilement à des tailles d'objets variables et à des scènes complexes, offrant ainsi de meilleures performances dans divers environnements.

À mesure que la vision par ordinateur continue d'évoluer, la détection d'objets ne fera que devenir plus rapide, plus flexible et plus efficace.

Explore notre dépôt GitHub et rejoins notre communauté engageante pour rester au courant de tout ce qui concerne l'IA. Découvre comment Vision AI a un impact sur des secteurs comme la fabrication et l'agriculture.