Detectores baseados em âncoras

Os detectores baseados em âncoras são uma categoria de modelos de deteção de objectos em visão computacional que utilizam caixas predefinidas - âncoras - para prever as localizações e categorias de objectos numa imagem. Estas âncoras funcionam como referências para gerar propostas de potenciais objectos. São essenciais para lidar com objectos de escalas e proporções variáveis e são predominantes em muitas arquitecturas populares de deteção de objectos.

Como funcionam os detectores baseados em âncoras

Os detectores baseados em âncoras classificam e refinam a posição destas caixas de âncoras para detetar objectos com precisão. Funcionam utilizando uma grelha de caixas de ancoragem em diferentes escalas e proporções, deslizando pela imagem. Cada caixa é então ajustada durante o processo de formação para se adaptar melhor aos objectos, transformando-se numa caixa delimitadora com pontuações de classe distintas.

Modelos notáveis

• R-CNN mais rápida: Esta arquitetura utiliza propostas de regiões e é conhecida pela sua precisão. Consiste numa Rede de Propostas de Regiões (RPN) que gera propostas de objectos e envolve uma estrutura de duas fases.
• RetinaNet: Conhecido pela sua utilização da perda focal, o RetinaNet é um detetor de uma fase que mantém uma elevada precisão com eficiência, ao mesmo tempo que aborda o desequilíbrio de classes.
• Ultralytics YOLOv8: Este modelo continua a melhorar as excepcionais capacidades de deteção em tempo real, integrando simultaneamente metodologias baseadas em âncoras. Sabe mais sobre YOLOv8.

Aplicações em IA e ML

Os detectores baseados em âncoras são amplamente aplicados em várias indústrias devido à sua robustez e adaptabilidade:

• Veículos autónomos: Ajudam no reconhecimento em tempo real de peões, veículos e obstáculos, melhorando a segurança rodoviária.
• Cuidados de saúde: Utilizada em imagiologia médica para detetar anomalias ou doenças em exames. Descobre mais sobre a IA nos cuidados de saúde.
• Agricultura: Utilizada na agricultura de precisão para identificar culturas e monitorizar o crescimento. Sabe mais sobre a IA na agricultura.

Caraterísticas distintivas

• Comparação com detectores sem âncoras: Os modelos sem âncora, como o CenterNet, propõem uma abordagem diferente, prevendo centros e dimensões de objectos sem âncoras predefinidas. Embora ambos os métodos sejam eficazes, os modelos baseados em âncoras são frequentemente preferidos para lidar com diversas escalas de objectos dentro de uma imagem.

Exemplos do mundo real

1. Fabrico: Os detectores baseados em âncoras simplificam o controlo de qualidade através da deteção de defeitos nos produtos, garantindo padrões elevados.
2. Retalho: Utilizado para gestão de inventário para identificar artigos armazenados nas prateleiras utilizando estratégias avançadas de deteção de objectos.

Links relacionados

• Explora a evolução dos modelos de deteção de objectos.
• Aprende sobre as Bounding Boxes e a sua importância nas tarefas de visão por computador.
• Descobre mais sobre o tipo de modelos utilizados nos Detectores de Objectos de Duas Fases.

Os detectores com base em âncoras continuam a ser essenciais para o avanço das capacidades de IA em aplicações do mundo real, oferecendo conhecimentos diferenciados sobre deteção, seguimento e processamento de objectos. Explora como o Ultralytics permite a implementação de tais tecnologias facilmente com o Ultralytics HUB.