Détection d'objets à vocabulaire ouvert
La détection d'objets à vocabulaire ouvert permet à un modèle de trouver et d'encadrer des objets décrits par un texte arbitraire, y compris des catégories qu'il n'a jamais vues étiquetées lors de l'entraînement.
Aperçu
It matters because traditional detectors are locked to a fixed list of classes, while open-vocabulary models can detect almost anything you can name.
Plongée profonde
Les détecteurs classiques sont formés sur un ensemble fermé de catégories, disons les 80 classes de COCO, et ne peuvent pas reconnaître une « chose » en dehors de cette liste. La détection du vocabulaire ouvert brise cette limite en alignant les caractéristiques de la région visuelle avec un espace d'intégration de langage de vision partagé, généralement appris à partir de paires image-texte massives (comme dans CLIP). Lors de l'inférence, vous fournissez des étiquettes de texte, le modèle intègre ces étiquettes et fait correspondre les régions détectées à l'incorporation de texte la plus proche, de sorte que les nouvelles catégories fonctionnent tant que vous pouvez les décrire. Des systèmes tels que ViLD, GLIP, OWL-ViT, Detic et Grounding DINO ont popularisé l'approche en combinant des bases de détection avec une base linguistique et en s'entraînant sur de grands ensembles de données faiblement étiquetés ou ancrés.
Aperçu technique
L'astuce consiste à remplacer une couche de classificateur fixe par des intégrations de texte. Au lieu d'apprendre un vecteur de poids par classe connue, le détecteur projette chaque région dans le même espace qu'un encodeur de langage ; la classification devient une comparaison de similarité entre les caractéristiques de la région et les intégrations de noms de catégories ou d'expressions fournies par l'utilisateur. Étant donné que l'encodeur de texte se généralise aux mots invisibles, l'échange de nouvelles chaînes d'étiquettes au moment du test permet la détection des catégories absentes des données d'apprentissage du cadre de délimitation.
Impact stratégique
Vitesse et échelle
L’IA visuelle peut automatiser les tâches d’inspection, de détection et de marquage à grande échelle.
Choix de construction
Les équipes créatives peuvent prototyper des concepts plus rapidement avec moins de révisions manuelles.
Équipe et flux de travail
Les opérations peuvent utiliser des signaux d’image et vidéo qui étaient auparavant difficiles à traiter.
L'avenir de la détection d'objets à vocabulaire ouvert
La détection du vocabulaire ouvert converge avec la mise à la terre et la segmentation, où des phrases de forme libre (et pas seulement des mots simples) localisent les objets, et avec des systèmes d'invite combinés à des modèles comme SAM pour les masques. Attendez-vous à une plus grande précision du tir zéro, à des requêtes de texte plus longues et plus composées (« la tasse rouge derrière l'ordinateur portable ») et à un couplage étroit avec des assistants multimodaux qui détectent à la demande. À mesure que la formation image-texte à l'échelle du Web s'améliore, la frontière entre la détection, la récupération et la compréhension du langage continuera de s'estomper vers une base visuelle générale.
Mise en œuvre dans le monde réel
Recherche d'images d'objets rares ou personnalisés en tapant leurs noms sans recyclage
Systèmes robotiques localisant un élément qu'un utilisateur nomme en langage naturel avant de le saisir
Étiquetage automatique des ensembles de données en détectant de nombreuses nouvelles catégories à partir d'une liste de textes
Modération du contenu qui signale les objets décrits non présents dans les étiquettes de formation d'origine
Risques et garde-fous
Les droits à l’image et le consentement peuvent devenir des risques juridiques si la provenance n’est pas claire.
Les performances du modèle peuvent varier en fonction de l'éclairage, des données démographiques et des environnements.
Les faux positifs peuvent passer inaperçus si les seuils de confiance ne sont pas surveillés.
Feuille de route de mise en œuvre
Définissez des critères d’acceptation pour la précision, le rappel et les coûts d’erreur.
Testez avec des données qui correspondent aux conditions de production réelles.
Ajoutez un examen humain pour les prédictions peu fiables ou à fort impact.
Suivez la dérive du modèle et revalidez après les modifications de la caméra ou de l’ensemble de données.
Continuez à explorer
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
Guide suivant
Détection d'objet
Questions fréquemment posées
What is Open-Vocabulary Object Detection?
La détection d'objets à vocabulaire ouvert permet à un modèle de trouver et d'encadrer des objets décrits par un texte arbitraire, y compris des catégories qu'il n'a jamais vues étiquetées lors de l'entraînement. C’est important car les détecteurs traditionnels sont verrouillés sur une liste fixe de classes, tandis que les modèles à vocabulaire ouvert peuvent détecter presque tout ce que vous pouvez nommer.
Quelle est la capacité déterminante de la détection d’objets à vocabulaire ouvert ?
La détection de vocabulaire ouvert peut localiser les catégories spécifiées par le texte au moment du test, même celles qu'elle n'a jamais vues étiquetées avec des cadres de délimitation.
Comment ces modèles classent-ils une région détectée ?
Ils projettent des régions dans un espace d'intégration de langage de vision et font correspondre chaque région à l'intégration d'étiquettes de texte la plus proche.
Quelle ressource de pré-formation permet le plus la détection de vocabulaire ouvert ?
Des données image-texte massives (telles qu'utilisées par les modèles de style CLIP) créent l'espace d'intégration partagé qui permet au texte de se généraliser à de nouvelles catégories.
Quel composant est remplacé par rapport à un détecteur fermé ?
Au lieu de vecteurs de poids de classe fixes, la classification utilise la similarité avec les incorporations de texte, de sorte que de nouvelles chaînes d'étiquettes peuvent être ajoutées au moment du test.
Lequel de ces modèles est un exemple de modèle de détection à vocabulaire ouvert ou à mise à la terre ?
Grounding DINO, ainsi que GLIP, OWL-ViT, ViLD et Detic, sont des détecteurs à vocabulaire ouvert ou de mise à la terre bien connus.