A Comparative Study of Faster R-CNN, Mask R-CNN, and YOLOv8 for Object Detection and Instance Segmentation, with a Custom-Class Transfer-Learning Case Study

Nel mondo della visione artificiale, le macchine stanno imparando a vedere il mondo non solo come una collezione di colori e forme, ma come una scena piena di oggetti distinti. Questo campo, noto come object detection (rilevamento di oggetti), è la tecnologia che permette a un'auto a guida autonoma di riconoscere un pedone, a una telecamera di sicurezza di individuare un intruso o a uno scanner medico di identificare un tumore. Affinché una macchina possa fare ciò, deve eseguire simultaneamente due compiti difficili: deve trovare dove si trova un oggetto all'interno di un'immagine e deve decidere esattamente cosa sia quell'oggetto. Per anni, i ricercatori hanno dibattuto sul modo migliore per insegnare a un computer di fare questo. Alcuni approcci agiscono come un ispettore meticoloso, scansionando un'immagine lentamente e metodicamente per garantire che ogni dettaglio sia corretto, mentre altri agiscono come uno sguardo rapido, elaborando l'intera scena in un unico passaggio per dare priorità alla velocità. La domanda centrale per gli ingegneri è come bilanciare questo compromesso tra l'essere perfettamente accurati e l'essere abbastanza veloci da lavorare in tempo reale.

Uno studio recente di Muhammad Usman Aslam presso l'Università del West Florida esplora questo equilibrio testando tre diversi sistemi informatici progettati per vedere il mondo. La ricerca confronta due metodi consolidati che lavorano per stadi, uno dei quali può anche disegnare contorni precisi attorno agli oggetti, contro un metodo più recente e veloce che elabora le immagini tutte in una volta. Lo studio non si limita a confrontare questi sistemi su immagini di test standard; affronta un problema pratico che i test standard spesso trascurano: cosa succede quando una macchina incontra un oggetto che non le è mai stato insegnato a riconoscere? Per rispondere a questo, il ricercatore ha addestrato un sistema moderno e veloce per identificare veicoli corazzati militari, una categoria di oggetti che non esiste nella libreria standard di immagini utilizzata per addestrare la maggior parte dei modelli di visione artificiale.

L'indagine è iniziata esaminando come sono costruiti questi tre sistemi, noti come Faster R-CNN, Mask R-CNN e YOLOv8. I primi due sistemi operano come un processo in due fasi. Prima, scansionano un'immagine per trovare regioni che potrebbero contenere un oggetto e poi analizzano quelle specifiche regioni per decidere cosa sia l'oggetto e dove siano i suoi bordi. Mask R-CNN aggiunge un terzo passaggio, permettendogli di disegnare un contorno perfetto a livello di pixel attorno a ogni oggetto, separandolo dallo sfondo e da altri oggetti sovrapposti. Questi metodi sono noti per l'alta precisione, ma richiedono più potenza di calcolo e tempo. Il terzo sistema, YOLOv8, adotta un approccio diverso. Guarda l'intera immagine in un unico passaggio, prevedendo la posizione e il tipo di ogni oggetto contemporaneamente. Questo design è costruito per la velocità, rendendolo ideale per applicazioni in tempo reale come la videosorveglianza, sebbene storicamente sia stato considerato leggermente meno preciso su oggetti molto piccoli o affollati.

Per testare questi sistemi nel mondo reale, il ricercatore ha utilizzato un insieme standard di immagini contenenti oggetti comuni come persone, auto e animali per vedere quanto bene le prestazioni dei sistemi pre-addestrati. Quando il sistema Faster R-CNN è stato mostrato immagini di coleotteri, li ha identificati correttamente ma ha prodotto anche ipotesi extra, a bassa confidenza, di "insetti" negli stessi punti, mostrando che il sistema a volte fatica quando diverse categorie di oggetti si sovrappongono o si somigliano molto. Mostrata un'immagine di un uccello, il sistema ha esitato tra definire l'oggetto come "uccello", "animale" o un tipo specifico di uccello, rivelando che il suo vocabolario è limitato alle 80 categorie specifiche per cui è stato originariamente addestrato. Il sistema Mask R-CNN si è comportato in modo impressionante sulle immagini standard, separando con successo zebre e persone sovrapposte in una folla con contorni precisi, ma ha richiesto significativamente più risorse computazionali per farlo.

La parte più significativa dello studio, tuttavia, è stata il tentativo di insegnare a questi sistemi a vedere qualcosa che non avevano mai visto prima: i carri armati. I modelli standard di visione artificiale sono sistemi a "vocabolario chiuso", il che significa che possono riconoscere solo la lista specifica di oggetti su cui sono stati addestrati. Quando il ricercatore ha mostrato ai modelli standard Faster R-CNN e Mask R-CNN immagini di veicoli corazzati militari, le macchine non sono riuscite a identificarli come carri armati. Invece, hanno forzato le immagini nelle categorie più vicine che conoscevano, etichettando i carri armati come "camion" o "auto". Questo non era un fallimento della capacità della macchina di vedere la forma del veicolo, ma un limite del suo vocabolario; semplicemente non aveva la parola "carro armato" nel suo dizionario.

Per risolvere questo problema, il ricercatore si è rivolto al sistema YOLOv8 e ha utilizzato una tecnica chiamata transfer learning (apprendimento per trasferimento). Invece di partire da zero, al sistema è stato fornito un piccolo dataset personalizzato di soli venti carichi di immagini di carri armati, che erano state etichettate manualmente da un essere umano. Il sistema è stato poi perfezionato su questo piccolo set di immagini. Il risultato è stato sorprendente. Il sistema YOLOv8, che era stato adattato a questa nuova classe, ha identificato con successo carri armati in esposizioni museali e fotografie all'aperto con un'alta confidenza. Ha persino riconosciuto un veicolo corazzato in movimento in un campo, nonostante la sfocatura e la distanza, dimostrando che un sistema leggero e veloce può essere rapidamente adattato a un nuovo compito specifico con pochissimi dati.

Lo studio conclude che, mentre i vecchi sistemi a due stadi rimangono eccellenti per compiti generici dove è necessaria un'alta precisione per oggetti noti, essi sono rigidi per quanto riguarda le nuove categorie. Non possono riconoscere ciò che non è stato esplicitamente insegnato loro. Al contrario, il sistema YOLOv8 a singolo stadio ha dimostrato una flessibilità che è di grande valore per le applicazioni pratiche. Ha mostrato che, con un piccolo sforzo umano per etichettare alcune nuove immagini, un rilevatore veloce può essere esteso per riconoscere tipi di oggetti completamente nuovi. Ciò suggerisce che per molti problemi del mondo reale, dove l'obiettivo è rilevare articoli specifici e personalizzati piuttosto che semplici categorie generali, la velocità e l'adattabilità dell'approccio più recente a singolo stadio possono essere più utili rispetto alla pura accuratezza dei vecchi metodi più lenti. La ricerca nota anche che il campo si sta muovendo rapidamente, con nuovi modelli che emergono con l'obiettivo di combinare la velocità dei sistemi a singolo stadio con l'accuratezza di quelli più vecchi, ma la lezione fondamentale rimane chiara: lo strumento migliore dipende dal fatto che si abbia bisogno di una macchina che sappia tutto del mondo, o di una che possa imparare rapidamente a vedere qualcosa di nuovo.