ክፍት-የቃላት ዝርዝር ነገር ማወቂያ መመሪያ

አጠቃላይ እይታ

It matters because traditional detectors are locked to a fixed list of classes, while open-vocabulary models can detect almost anything you can name.

ጥልቅ ዳይቭ

ክላሲክ መርማሪዎች በCOCO ውስጥ ያሉት 80 ክፍሎች በተዘጉ የምድቦች ስብስብ የሰለጠኑ ናቸው፣ እና ከዚያ ዝርዝር ውጭ ያለውን 'ነገር' ማወቅ አይችሉም። የእይታ ክልል ባህሪያትን ከጋራ የእይታ-ቋንቋ መክተት ቦታ ጋር በማጣጣም የሚገድብ ክፍት የቃላት ማወቂያ እረፍቶች፣ በተለይም ከግዙፍ የምስል-ጽሑፍ ጥንዶች (እንደ CLIP)። በማጣቀሻነት የጽሑፍ መለያዎችን ታቀርባላችሁ፣ ሞዴሉ እነዚያን መለያዎች ያካትታል፣ እና የተገኙ ክልሎችን ከየትኛው የጽሑፍ መክተት ጋር ይዛመዳል፣ ስለዚህ እርስዎ መግለጽ እስከቻሉ ድረስ ልብ ወለድ ምድቦች ይሰራሉ። እንደ ViLD፣ GLIP፣ OWL-ViT፣ Detic እና Grounding ዲኖ ያሉ ስርዓቶች የማወቅን የጀርባ አጥንቶችን ከቋንቋ መሠረተ ልማት ጋር በማጣመር እና ትላልቅ፣ ደካማ ምልክት የተደረገባቸው ወይም የመረጃ ስብስቦችን በማሰልጠን አቀራረቡን በሰፊው አቅርበዋል።

ቴክኒካዊ ግንዛቤ

ዘዴው የቋሚ ክላሲፋየር ንብርብርን በጽሑፍ መክተት መተካት ነው። በአንድ የታወቀ ክፍል አንድ ክብደት ቬክተር ከመማር ይልቅ፣ እያንዳንዱን ክልል ከቋንቋ ኢንኮደር ጋር ተመሳሳይ ቦታ እንዲኖረው ያደርጋል። ምደባ በክልል ባህሪያት እና በተጠቃሚ የቀረቡ የምድብ ስሞች ወይም ሀረጎች መካተት መካከል ያለው ተመሳሳይነት ንጽጽር ይሆናል። የጽሑፍ ኢንኮደር ወደማይታዩ ቃላት ስለሚጠቃለል፣ በሙከራ ጊዜ በአዲስ የመለያ ሕብረቁምፊዎች መለዋወጥ ከቦርዲንግ-ሣጥን የሥልጠና መረጃ የሌሉ ምድቦችን ለማወቅ ያስችላል።

ስልታዊ ተጽእኖ

ፍጥነት እና ልኬት

ቪዥዋል AI የመመርመሪያ፣ የማወቅ እና የመለያ ስራዎችን በሚዛን መጠን በራስ ሰር ሊያደርግ ይችላል።

ምርጫዎችን ይገንቡ

የፈጠራ ቡድኖች በጥቂት የእጅ ክለሳዎች ጽንሰ-ሀሳቦችን በፍጥነት መተየብ ይችላሉ።

ቡድን እና የስራ ፍሰት

ክዋኔዎች ከዚህ ቀደም ለማስኬድ አስቸጋሪ የነበሩትን የምስል እና የቪዲዮ ምልክቶችን መጠቀም ይችላሉ።

የክፍት መዝገበ ቃላት የነገር ፍለጋ የወደፊት ዕጣ

ክፍት የቃላት ማፈላለግ ከመሬት አቀማመጥ እና ከመከፋፈል ጋር እየተጣመረ ነው፣ በነጻ ቅጽ ሀረጎች (ነጠላ ቃላት ብቻ ሳይሆኑ) ዕቃዎችን በትርጉም የሚያደርጉበት፣ እና አፋጣኝ ከሆኑ ስርዓቶች ጋር እንደ SAM ጭምብል ያሉ ሞዴሎች። የበለጠ ጠንካራ የዜሮ ምት ትክክለኛነት፣ ረጅም እና ተጨማሪ የአጻጻፍ መጠይቆችን ('ከላፕቶፑ ጀርባ ያለው ቀይ ብርጭቆ') እና በፍላጎት ከሚያውቁ መልቲሞዳል ረዳቶች ጋር ጥብቅ ትስስር ይጠብቁ። የድህረ-ገጽ ምስል-ጽሑፍ ስልጠና እየተሻሻለ ሲመጣ፣ በማወቅ፣ በማንሳት እና በቋንቋ መረዳት መካከል ያለው መስመር ወደ አጠቃላይ ምስላዊ መሬት መደበቅ ይቀጥላል።

የእውነተኛ-ዓለም አተገባበር

ድጋሚ ሳይለማመዱ ስማቸውን በመተየብ ምስሎችን ብርቅዬ ወይም ብጁ ነገሮችን መፈለግ

ሮቦቲክስ ሲስተሞች አንድን ነገር ከመያዙ በፊት ተጠቃሚውን በተፈጥሮ ቋንቋ የሚሰይሙት

ከጽሑፍ ዝርዝር ውስጥ ብዙ አዳዲስ ምድቦችን በማግኘት የውሂብ ስብስቦችን በራስ ሰር መሰየም

በመጀመሪያዎቹ የሥልጠና መለያዎች ውስጥ የማይገኙ ዕቃዎችን የሚገልጽ የይዘት አወያይ

አደጋዎች እና የጥበቃ መንገዶች

የምስል መብቶች እና ፈቃድ ግልጽ ካልሆነ ህጋዊ አደጋዎች ሊሆኑ ይችላሉ።

የሞዴል አፈጻጸም በብርሃን፣ በስነ-ሕዝብ እና በአካባቢው ሊለያይ ይችላል።

የመተማመን ገደቦች ካልተቆጣጠሩ የውሸት አወንታዊ ነገሮች ላይታዩ ይችላሉ።

የትግበራ ፍኖተ ካርታ

ለትክክለኛነት፣ ለማስታወስ እና ለስህተት ወጪዎች የመቀበያ መስፈርቶችን ይግለጹ።

ከእውነተኛ የምርት ሁኔታዎች ጋር በሚዛመድ ውሂብ ይሞክሩ።

ለዝቅተኛ እምነት ወይም ከፍተኛ ተጽዕኖ ትንበያ የሰው ግምገማን ያክሉ።

ከካሜራ ወይም የውሂብ ስብስብ ለውጦች በኋላ የሞዴሉን ተንሸራታች ይከታተሉ እና እንደገና ያረጋግጡ።

ማሰስዎን ይቀጥሉ

የኮምፒውተር እይታ

ምስላዊ AIን የሚያበረታቱ መሰረታዊ ስርዓቶችን ይረዱ።

መመሪያ ያንብቡ

AI ምስል ማመንጨት

የፍጥረት የስራ ፍሰቶችን እና የሞዴል ንግድን ያስሱ።

መመሪያ ያንብቡ

Free newsletter

Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.

One email each weekday. Unsubscribe in one click. We never sell or share your address.

Test yourself

Take the Open-Vocabulary Object Detection quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

ጥያቄ ጀምር

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

ቀጣይ መመሪያ

የነገር ማወቂያ

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

What is Open-Vocabulary Object Detection?

ክፍት የቃላት ፍለጋ አንድ ሞዴል በዘፈቀደ ጽሑፍ የተገለጹ ነገሮችን እንዲያገኝ እና በስልጠና ወቅት አይቶ የማያውቅ ምድቦችን ጨምሮ እንዲያገኝ ያስችለዋል። አስፈላጊ ነው ምክንያቱም ባህላዊ መመርመሪያዎች ወደ ቋሚ የመማሪያ ክፍሎች ተዘግተዋል ፣ ክፍት የቃላት ሞዴሎች ግን እርስዎ ሊጠሩት የሚችሉትን ማንኛውንም ነገር ሊያገኙ ይችላሉ።

ክፍት የቃላት ዝርዝርን የማወቅ ችሎታ ምን ያህል ነው?

ክፍት መዝገበ ቃላት በሙከራ ጊዜ በጽሑፍ የተገለጹ ምድቦችን፣ ምንም እንኳን በማያያዙ ሣጥኖች ተሰይመው ያላዩትን እንኳን ሳይቀር መተርጎም ይችላል።

እነዚህ ሞዴሎች የተገኘን ክልል እንዴት ይለያሉ?

ክልሎችን ወደ በራዕይ-ቋንቋ መክተቻ ቦታ ያዘጋጃሉ እና እያንዳንዱን ክልል ከቅርቡ የጽሑፍ መለያ መክተት ጋር ያዛምዳሉ።

ክፍት መዝገበ-ቃላትን ለመለየት የሚረዳው የትኛው የቅድመ-ስልጠና ምንጭ ነው?

ግዙፍ የምስል-ጽሑፍ ውሂብ (በCLIP-style ሞዴሎች ጥቅም ላይ እንደሚውል) ጽሑፍን ወደ አዲስ ምድቦች ለማጠቃለል የሚያስችል የጋራ መክተት ቦታን ይገነባል።

ከተዘጋ ማወቂያ ጋር ሲወዳደር የትኛው አካል ነው የሚተካው?

ከቋሚ ክፍል ክብደት ቬክተሮች ይልቅ ምደባ ከጽሑፍ መክተት ጋር ተመሳሳይነት ይጠቀማል፣ ስለዚህ አዲስ የመለያ ሕብረቁምፊዎች በሙከራ ጊዜ ሊጨመሩ ይችላሉ።

ከእነዚህ ውስጥ የትኛው ምሳሌ ክፍት መዝገበ ቃላት ወይም የመሬት ማፈላለጊያ ሞዴል ነው?

Grounding DINO፣ ከ GLIP፣ OWL-ViT፣ ViLD እና Detic ጋር የታወቁ ክፍት መዝገበ-ቃላቶች ወይም መሬቶች ጠቋሚዎች ናቸው።