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、あらかじめ定義されたアンカーボックスに依存することなく、オブジェクトの位置を直接予測することでプロセスを簡素化する、オブジェクト検出における最新のアプローチである。様々なサイズやアスペクト比の定義済みボックスのセットを使って物体の位置を特定するアンカーベースの検出器とは異なり、アンカーフリーの手法は画像の特徴から中心点や角のキーポイントのような物体の特性を直接予測します。これにより、モデル設計がシンプルになり、学習時の計算オーバーヘッドが削減され、特にCOCOのようなデータセットによく見られる型破りな形状やスケールの物体に対する性能が向上します。
アンカーなし検出器は通常、物体検出を畳み込みニューラルネットワーク(CNN)によって生成された特徴マップ内のキーポイント推定または中心予測問題として扱うことで動作する。予測値をアンカーボックスの密な集合にマッチさせる代わりに、これらのモデルは特定の位置のオブジェクト特性を直接回帰する。一般的なアプローチには以下が含まれる:
これらの方法は、アンカーベースのアプローチで必要とされる複雑なアンカー設計とマッチングロジックを排除する。
アンカーフリー検出器の主な利点は、そのシンプルさと柔軟性です。主な利点は以下の通りです:
主な違いは、オブジェクトの定位提案の取り扱いにあります。YOLOv4のような古いモデルのような、アンカー・ベースの検出器は、画像全体に分布する定義済みのアンカー・ボックスのセットに大きく依存している。ネットワークはこれらのアンカーからのオフセットを予測し、アンカーが物体を含むかどうかを分類する。これには、データセットの統計に基づいた慎重なアンカー設定が必要である。
アンカーフリー検出器 Ultralytics YOLOのような YOLO11のような最近のUltraltics YOLOモデルを含むアンカーフリー検出器は、このステップをバイパスします。YOLO11のようなUltralticsのYOLOモデルは、このステップをバイパスし、グリッドセルやフィーチャーマップの位置に対してオブジェクトの位置やキーポイントを直接予測します。これにより、非最大抑制(NMS)のような後処理ステップがよりシンプルになり、不規則な形状の物体の検出精度を向上させることができます。アンカーフリー検出器であるUltralytics YOLO11 利点については、こちらをご覧ください。
アンカーフリー検出器は、様々なコンピュータビジョンタスクにおいて有効である:
アンカーフリー検出器の開発は、以下のような主要なディープラーニングフレームワークでサポートされています。 PyTorchや TensorFlow.Ultralytics エコシステムは、アンカーフリー設計を活用したツールと事前学習済みモデルを提供します。Ultralytics ドキュメントで実装の詳細を調べたり、Ultralytics HUBを使用してモデルのトレーニングとデプロイを効率化することができます。Papers With Codeのようなリソースには、最先端のモデルが掲載されており、その多くはアンカーフリーです。基礎知識については、DeepLearning.AIのようなプラットフォームのコースをご検討ください。