无锚探测器

主要概念和方法

无锚检测器通常将物体检测视为卷积神经网络（CNN）生成的特征图中的关键点估计或中心预测问题。这些模型并不将预测结果与密集的锚点框匹配，而是直接回归特定位置的物体属性。常见的方法包括

• 基于关键点的方法：CornerNet等模型可预测每个物体的角关键点对，并将其分组形成边界框。
• 基于中心的方法：CenterNet等模型可预测每个物体的中心点及其尺寸（宽和高）。
• 密集预测方法：FCOS（全卷积单级对象检测）等模型可直接预测输出特征图中每个位置的对象存在和边界框坐标，类似于使用全卷积网络（FCN）进行语义分割。

这些方法省去了基于锚点的方法所需的复杂锚点设计和匹配逻辑。

无锚检测的优势

无锚探测器的主要优点是简单灵活。主要优点包括

• 减少超参数：取消锚点框后，无需设计和调整锚点比例、比率和密度，从而简化了训练过程。
• 提高通用性：在处理形状和大小各异的物体时，它们通常表现得更好，因为这些物体并不适合预定义的锚点。
• 潜在效率：通过在训练过程中移除与锚相关的计算，如 "交集大于联合"（IoU）计算，无锚模型有时会更快，更节省内存。
• 概念简单：与基于锚点的管道相比，直接预测法更直观、更易于实施。

与基于锚点的探测器的比较

主要区别在于如何处理物体定位建议。基于锚点的检测器（如YOLOv4 等旧型号）在很大程度上依赖于分布在图像中的一组预定义锚点。网络会预测这些锚点的偏移量，并对锚点是否包含物体进行分类。这就需要根据数据集统计数据对锚点进行仔细配置。

无锚探测器，包括最新的 Ultralytics YOLO型号，如 YOLO11绕过了这一步骤。它们直接预测相对于网格单元或特征地图位置的目标位置或关键点。这通常会简化后处理步骤，如非最大值抑制 (NMS)，并能提高不规则形状物体的检测精度。您可以了解 Ultralytics YOLO11 作为无锚检测器的更多优势。

实际应用

无锚检测器在各种计算机视觉任务中都很有效：

• 自动驾驶：准确检测行人、骑自行车者以及不同大小和长宽比的车辆对于自动驾驶汽车的安全至关重要。无锚方法能很好地适应这些不同的物体，提高感知可靠性。探索计算机视觉基金会等资源，了解研究进展。
• 医学图像分析：在医学图像分析中，由于预定义的锚点可能无法很好地对齐，因此直接预测法有利于识别肿瘤或病变等小的或形状不规则的异常点。请参阅使用YOLO11 进行肿瘤检测的示例。

工具和技术

主要的深度学习框架都支持开发无锚检测器，例如 PyTorch和 TensorFlow.Ultralytics 生态系统提供了利用无锚设计的工具和预训练模型。您可以浏览Ultralytics 文档了解实施细节，并使用Ultralytics HUB简化模型训练和部署。Papers With Code等资源列出了最先进的模型，其中很多都是无锚模型。如果想了解基础知识，可以考虑DeepLearning.AI 等平台提供的课程。