精度、効率、適応性を向上させた合理的な物体検出で、実世界のアプリケーションに対応します。
アンカーフリー検出器は、コンピュータビジョン(CV)の現代的な進化であり、物体検出により合理的で柔軟なアプローチを提供する。オブジェクトの位置を予測するためにあらかじめ定義されたアンカーボックスのセットに依存する代わりに、これらのモデルは直接オブジェクトを識別します。これは多くの場合、物体の中心点とその寸法を予測することによって、あるいは角のようなキーポイントを特定することによって達成される。このパラダイムシフトにより、検出パイプラインが単純化され、チューニングが必要なハイパーパラメータの数が減り、特に多様な形状や特異な形状のオブジェクトの性能が向上することが多い。
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。
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:
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。
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:
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。