アンカーフリーディテクター

アンカーフリーとアンカーベースの比較アンカーベースの検出器

主な違いは、オブジェクト候補の生成方法にある。

• アンカー探知機:YOLOv5やFaster R-CNNのようなモデルは、画像内のさまざまな位置に、さまざまなサイズと縦横比を持つ、あらかじめ定義されたアンカーボックスのセットを使用する。ネットワークは、これらのボックスを地上真実のオブジェクトと一致するように改良する。このアプローチは計算量が多く、アンカー設定を注意深く選択する必要があるため、COCOのような異なるデータセット間でうまく一般化できない可能性がある。
• アンカーフリーディテクター：これらのモデルは、事前に定義されたボックスの必要性を回避します。画像の特徴からオブジェクトの特性を直接予測します。これは、よりシンプルな設計につながり、より高速なリアルタイム推論と不規則な形状の物体の検出の改善につながります。Ultralytics YOLO11を含む最新のアーキテクチャは、効率性と柔軟性を得るためにこの設計を採用しています。

アンカーフリー設計への移行は、物体検出の進化における重要な進展であり、Megviiが 2021年の研究論文で紹介したYOLOXのようなモデルが先駆者となっている。YOLO11とYOLOXの技術的な比較を見て、そのアーキテクチャの違いを理解することができる。

無アンカー探知機の仕組み

アンカーフリーの検出器は通常、2つの主要な戦略のうちの1つを採用する：

1. キーポイントベース：これらの手法は、コーナーや中心点などのキーポイントを識別することによってオブジェクトを特定します。モデルはこれらのキーポイントをグループ化して、完全なバウンディング・ボックス予測を形成するように学習します。
2. 中心ベース：これらのアプローチは物体の中心を予測し、中心からバウンディング・ボックスの4辺までの距離を回帰する。これは多くの最新の検出器で使用されている一般的で効果的な手法です。

これらの手法は、モデル学習中のラベル割り当てプロセスを簡素化し、性能を向上させるために、高度な損失関数や強力なデータ増強などの高度なテクニックを取り入れていることが多い。

実世界での応用

アンカーフリー検出器の柔軟性と効率性は、さまざまな領域で高い効果を発揮する：

• 自律走行：自律走行車向けのシステムでは、これらの検出器は歩行者、他の車、さまざまな形や大きさの障害物を正確に識別することができる。この適応性は、ウェイモのような企業が開発中のナビゲーション・システムにとって極めて重要である。
• 医療画像解析：アンカーフリーのモデルは、医療スキャンにおける腫瘍や病変のような不規則な形状の異常の位置を特定するのに優れています。例えば、腫瘍検出にYOLO11を使用すると、そのアンカーフリーの性質を利用して、医療画像のより正確な位置特定が可能になります。
• 小売分析：これらのモデルは、在庫切れの商品について店舗の棚を効果的に監視したり、密集した商品や奇妙な形の商品であっても、顧客の動線を分析したりすることができる。これはAIによる在庫管理の重要な部分です。
• セキュリティと監視混雑したシーンで個人や物体を識別することは、スマート監視の一般的なタスクです。アンカーフリーのディテクターは様々なスケールの物体を扱うことができるため、このようなアプリケーションに最適です。

ツールとテクノロジー

アンカーフリーモデルの開発は、PyTorchや TensorFlowのような主要なディープラーニングフレームワークによってサポートされています。Ultralyticsエコシステムは、これらの高度な検出器を構築し、デプロイするための包括的なツールを提供します。私たちのドキュメントを調べたり、Ultralytics HUBを使用してデータセットを管理し、モデルを訓練し、デプロイを処理することができます。継続的な学習については、Courseraのようなプラットフォームが基礎的なコースを提供し、Papers With Codeのようなリソースが最先端のモデルをリストアップしています。