Безъякорные детекторы

Ключевые понятия и методология

Безъякорные детекторы обычно рассматривают обнаружение объектов как проблему оценки ключевых точек или предсказания центров объектов в картах признаков, созданных конволюционной нейронной сетью (CNN). Вместо того чтобы сопоставлять потенциальные объекты с плотной сеткой якорных ящиков и затем уточнять эти ящики, эти модели напрямую регрессируют свойства объектов на определенные места в представлении признаков изображения. К популярным безъякорным методикам относятся:

• Предсказание на основе центра: Модели вроде CenterNet предсказывают центральную точку каждого объекта и регрессируют его размеры.
• Определение на основе ключевых точек: Такие подходы, как CornerNet, определяют пары угловых ключевых точек для определения границ объекта.
• Плотное предсказание: Такие методы, как FCOS (Fully Convolutional One-Stage Object Detection), относятся к обнаружению объектов аналогично семантической сегментации, предсказывая наличие объекта и координаты ограничительной рамки на пиксель в соответствующих областях карты признаков, часто используя полностью конволюционные сети (FCN).

Эти методы избавляют от необходимости сложного проектирования якорей, настройки гиперпараметров, связанных с якорями(скорость обучения, размер партии и т.д.), и сложной логики подбора, требуемой системами на основе якорей.

Преимущества безъякорного обнаружения

Основная привлекательность безъякорных детекторов заключается в их концептуальной простоте и повышенной гибкости. К основным преимуществам относятся:

• Упрощенный дизайн: Избавляет от необходимости разрабатывать и настраивать якорные коробки, специфичные для статистики набора данных(соотношение сторон, размеры).
• Сокращение гиперпараметров: Меньше гиперпараметров, связанных с якорями, нуждаются в настройке, что упрощает рабочий процесс обучения модели.
• Улучшенная универсальность: Часто лучше работают объекты с экстремальными соотношениями сторон или масштабами, которые могут плохо совмещаться с заданными якорями.
• Потенциал для повышения эффективности: Это может привести к увеличению скорости вывода и снижению вычислительных затрат за счет отказа от вычислений, связанных с якорем. Это особенно актуально для развертывания на пограничных устройствах.

Сравнение с детекторами, основанными на якорях

Фундаментальное различие между детекторами без якорей и с якорями заключается в том, как они генерируют начальные предложения объектов. Модели, основанные на якорях, такие как ранние архитектуры вроде Faster R-CNN или YOLOv4, в значительной степени опираются на заранее определенный набор якорных точек, распределенных по сетке изображения. Сеть предсказывает смещения от этих якорей и классифицирует, содержит ли якорь объект. Такой подход требует тщательной калибровки свойств якорей на основе целевого эталонного набора данных.

Безъякорные детекторы, в том числе последние Ultralytics YOLO такие модели, как YOLO11полностью обходят механизм якорей. Они напрямую предсказывают характеристики объекта (например, центр, углы или расстояния до границ) относительно определенных точек или областей на карте признаков. Это часто упрощает этапы постобработки, такие как немаксимальное подавление (NMS), и может повысить точность обнаружения объектов неправильной формы. Ты можешь изучить преимущества того, что Ultralytics YOLO11 не имеет якорей, и сравнить его производительность с другими моделями, такими как YOLOX или YOLOv9.

Применение в реальном мире

Безъякорные детекторы очень эффективны в широком спектре задач компьютерного зрения (КЗ):

• Автономное вождение: Обнаружение автомобилей, пешеходов и препятствий разной формы и размера очень важно для автономных транспортных средств. Безъякорные методы хорошо адаптируются к таким разнообразным объектам, способствуя созданию более безопасных навигационных систем, подобных тем, что разрабатывают такие компании, как Waymo.
• Анализ медицинских изображений: В таких областях, как радиология, безъякорные модели позволяют точно определять местоположение аномалий, таких как опухоли или повреждения, которые часто имеют неправильную форму. Например, использование YOLO11 для обнаружения опухолей позволяет использовать его безъякорную природу для лучшей локализации на медицинских изображениях.
• Аналитика в розничной торговле: Контроль за уровнем запасов на полках(управление запасами на основе ИИ) или анализ поведения покупателей выигрывают от детекторов, которые эффективно справляются с плотно упакованными или необычными по форме товарами.
• Безопасность и наблюдение: Идентификация людей или объектов в многолюдных сценах(ИИ зрения в управлении толпой) или обнаружение конкретных событий часто связаны с объектами разного масштаба, где безъякорные подходы могут дать преимущества.

Инструменты и технологии

Разработка и развертывание безъякорных детекторов поддерживается такими крупными фреймворками глубокого обучения, как PyTorch и TensorFlow. Экосистема Ultralytics предоставляет надежные инструменты и предварительно обученные модели, использующие безъякорные конструкции, такие как Ultralytics YOLO11. Ты можешь изучитьдокументацию Ultralytics для получения подробной информации о реализации и использовать Ultralytics HUB для упрощенного обучения моделей, управления наборами данных и развертывания. Такие ресурсы, как Papers With Code, предлагают списки самых современных моделей обнаружения объектов, многие из которых имеют безъякорную архитектуру. Фундаментальные знания можно получить на таких платформах, как Coursera или DeepLearning.AI. Для оптимизации моделей под конкретное оборудование можно использовать такие инструменты, как OpenVINO могут быть использованы.