Откриване на обекти с отворен речник
Откриването на обекти с отворен речник позволява на модел да намира и поставя в кутии обекти, описани с произволен текст, включително категории, които никога не е виждал етикетирани по време на обучение.
Преглед
It matters because traditional detectors are locked to a fixed list of classes, while open-vocabulary models can detect almost anything you can name.
Дълбоко гмуркане
Класическите детектори се обучават на затворен набор от категории, да речем 80-те класа в COCO, и не могат да разпознаят „нещо“ извън този списък. Откриването на отворен речник нарушава това ограничение, като подравнява характеристиките на визуалния регион със споделено пространство за вграждане на визуален език, обикновено научено от масивни двойки изображение-текст (както в CLIP). При извод вие предоставяте текстови етикети, моделът вгражда тези етикети и съпоставя откритите региони с всяко вграждане на текст, което е най-близко, така че новите категории работят, стига да можете да ги опишете. Системи като ViLD, GLIP, OWL-ViT, Detic и Grounding DINO популяризираха подхода чрез комбиниране на гръбнаци за откриване с езиково заземяване и чрез обучение на големи, слабо етикетирани или заземяващи масиви от данни.
Техническа информация
Номерът е в замяната на фиксиран слой с класификатор с вграждане на текст. Вместо да изучава един тегловен вектор за известен клас, детекторът проектира всеки регион в същото пространство като езиков енкодер; класификацията се превръща в сравнение на сходството между характеристиките на региона и вгражданията на предоставени от потребителя имена на категории или фрази. Тъй като текстовият енкодер обобщава до невидими думи, смяната на нови низове на етикети по време на теста позволява откриване на категории, които липсват в данните за обучение на ограничителна кутия.
Стратегическо въздействие
Speed and scale
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб.
Build choices
Творческите екипи могат да създават прототипи на концепции по-бързо с по-малко ръчни ревизии.
Team and workflow
Операциите могат да използват изображения и видео сигнали, които преди са били трудни за обработка.
Бъдещето на откриването на обекти с отворен речник
Откриването на отворен речник се сближава със заземяване и сегментиране, където фрази в свободна форма (не само отделни думи) локализират обекти, и със системи с подкана, комбинирани с модели като SAM за маски. Очаквайте по-голяма точност при нулев удар, по-дълги и по-композиционни текстови заявки („червената чаша зад лаптопа“) и тясно свързване с мултимодални асистенти, които откриват при поискване. С подобряването на обучението за изображение и текст в уеб мащаб границата между откриване, извличане и разбиране на езика ще продължи да се размива към общо визуално заземяване.
Внедряване в реалния свят
Търсене на изображения за редки или персонализирани обекти чрез въвеждане на техните имена без повторно обучение
Системи за роботика, локализиращи елемент, който потребителят назовава на естествен език, преди да го хване
Автоматично етикетиране на набори от данни чрез откриване на много нови категории от текстов списък
Модериране на съдържание, което маркира описани обекти, които не присъстват в оригиналните етикети за обучение
Рискове и предпазни огради
Правата върху изображението и съгласието могат да се превърнат в правни рискове, ако произходът е неясен.
Производителността на модела може да варира в зависимост от осветлението, демографските данни и средата.
Фалшивите положителни резултати могат да останат незабелязани, освен ако не се наблюдават праговете на достоверност.
Пътна карта за изпълнение
Определете критерии за приемане за прецизност, извикване и разходи за грешки.
Тествайте с данни, които съответстват на реалните производствени условия.
Добавете преглед от човек за прогнози с ниска степен на сигурност или с голямо въздействие.
Проследявайте дрейфа на модела и проверявайте отново след промени в камерата или набора от данни.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
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.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Откриване на обекти
Frequently asked questions
What is Open-Vocabulary Object Detection?
Откриването на обекти с отворен речник позволява на модел да намира и поставя в кутии обекти, описани с произволен текст, включително категории, които никога не е виждал етикетирани по време на обучение. Има значение, защото традиционните детектори са заключени към фиксиран списък от класове, докато моделите с отворен речник могат да открият почти всичко, което можете да назовете.
Каква е определящата способност за откриване на обекти с отворен речник?
Откриването на отворен речник може да локализира категории, определени от текст по време на теста, дори такива, които никога не е виждал, етикетирани с ограничаващи полета.
Как тези модели класифицират открит регион?
Те проектират региони в пространство за вграждане на визуален език и съпоставят всеки регион с най-близкото вграждане на текстов етикет.
Кой ресурс за предварително обучение позволява най-много откриване на отворен речник?
Масивни изображения и текстови данни (както се използват от модели в стил CLIP) изграждат споделеното пространство за вграждане, което позволява на текста да се генерализира към нови категории.
Кой компонент се заменя в сравнение със затворен детектор?
Вместо фиксирани вектори за тегло на класа, класификацията използва сходство с текстови вграждания, така че по време на теста могат да се добавят нови низове на етикети.
Кой от тях е примерен модел за откриване на отворен речник или заземяване?
Заземяване DINO, заедно с GLIP, OWL-ViT, ViLD и Detic, са добре известни детектори с отворен речник или детектори за заземяване.