اوپن-وکیبلری آبجیکٹ کا پتہ لگانا
کھلے الفاظ کی آبجیکٹ کا پتہ لگانے سے ماڈل کو صوابدیدی متن کے ذریعہ بیان کردہ اشیاء کو تلاش کرنے اور باکس کرنے کی سہولت ملتی ہے، بشمول وہ زمرے جو اس نے تربیت کے دوران کبھی لیبل نہیں دیکھا۔
جائزہ
It matters because traditional detectors are locked to a fixed list of classes, while open-vocabulary models can detect almost anything you can name.
گہرا غوطہ
کلاسک ڈٹیکٹرز کو زمرہ جات کے بند سیٹ پر تربیت دی جاتی ہے، COCO میں 80 کلاسز کا کہنا ہے کہ وہ اس فہرست سے باہر کسی 'چیز' کو نہیں پہچان سکتے۔ کھلے الفاظ کی کھوج اس حد کو توڑ دیتی ہے بصری خطے کی خصوصیات کو مشترکہ وژن لینگویج ایمبیڈنگ اسپیس کے ساتھ سیدھ میں لا کر، عام طور پر بڑے پیمانے پر تصویری متن کے جوڑوں سے سیکھا جاتا ہے (جیسا کہ CLIP میں)۔ اندازہ کے مطابق آپ ٹیکسٹ لیبل فراہم کرتے ہیں، ماڈل ان لیبلز کو سرایت کرتا ہے، اور یہ پتہ لگائے گئے خطوں سے میل کھاتا ہے جس میں بھی ٹیکسٹ ایمبیڈنگ قریب ترین ہے، اس لیے ناول کے زمرے اس وقت تک کام کرتے ہیں جب تک آپ انہیں بیان کر سکتے ہیں۔ ViLD، GLIP، OWL-ViT، Detic، اور Grounding DINO جیسے نظاموں نے پتہ لگانے والے بیک بون کو زبان کی بنیاد کے ساتھ جوڑ کر اور بڑے، کمزور لیبل والے یا گراؤنڈ ڈیٹاسیٹس پر تربیت دے کر اس نقطہ نظر کو مقبول بنایا۔
تکنیکی بصیرت
یہ چال ایک فکسڈ کلاسیفائر پرت کو ٹیکسٹ ایمبیڈنگ کے ساتھ بدل رہی ہے۔ معلوم کلاس کے لیے ایک وزنی ویکٹر سیکھنے کے بجائے، ڈٹیکٹر ہر علاقے کو زبان کے انکوڈر کے طور پر ایک ہی جگہ پر پروجیکٹ کرتا ہے۔ درجہ بندی خطے کی خصوصیات اور صارف کے فراہم کردہ زمرہ کے ناموں یا فقروں کی سرایت کے درمیان مماثلت کا موازنہ بن جاتی ہے۔ چونکہ ٹیکسٹ انکوڈر نادیدہ الفاظ کو عام کرتا ہے، اس لیے ٹیسٹ کے وقت نئے لیبل سٹرنگز کو تبدیل کرنا باؤنڈنگ باکس ٹریننگ ڈیٹا سے غیر حاضر زمروں کا پتہ لگانے کے قابل بناتا ہے۔
اسٹریٹجک اثر
رفتار اور پیمانہ
بصری AI پیمانے پر معائنہ، پتہ لگانے، اور ٹیگنگ کے کاموں کو خودکار کر سکتا ہے۔
Build choices
تخلیقی ٹیمیں کم دستی ترمیم کے ساتھ تصورات کو تیزی سے پروٹو ٹائپ کر سکتی ہیں۔
Team and workflow
آپریشنز امیج اور ویڈیو سگنلز کا استعمال کر سکتے ہیں جن پر کارروائی کرنا پہلے مشکل تھا۔
کھلے الفاظ کے آبجیکٹ کی کھوج کا مستقبل
کھلے الفاظ کی کھوج گراؤنڈنگ اور سیگمنٹیشن کے ساتھ مل رہی ہے، جہاں فری فارم کے جملے (صرف ایک الفاظ نہیں) اشیاء کو مقامی بناتے ہیں، اور ماسک کے لیے SAM جیسے ماڈلز کے ساتھ مل کر فوری نظام کے ساتھ۔ زیرو شاٹ کی مضبوط درستگی، طویل اور زیادہ کمپوزیشنل ٹیکسٹ سوالات ('لیپ ٹاپ کے پیچھے سرخ پیالا')، اور مانگ پر پتہ لگانے والے ملٹی موڈل اسسٹنٹ کے ساتھ سخت جوڑے کی توقع کریں۔ جیسے جیسے ویب اسکیل امیج ٹیکسٹ ٹریننگ بہتر ہوتی جائے گی، پتہ لگانے، بازیافت کرنے، اور زبان کی تفہیم کے درمیان لائن عمومی بصری بنیاد کی طرف دھندلی ہوتی رہے گی۔
حقیقی دنیا کا نفاذ
نایاب یا حسب ضرورت اشیاء کی تصاویر کو دوبارہ تربیت کے بغیر ان کے نام ٹائپ کرکے تلاش کرنا
روبوٹکس سسٹم کسی چیز کا پتہ لگانے سے پہلے اسے قدرتی زبان میں صارف کا نام دیتا ہے۔
ٹیکسٹ لسٹ سے کئی نئے زمروں کا پتہ لگا کر ڈیٹاسیٹس کو خودکار لیبل لگانا
مواد کی اعتدال جو اصل تربیتی لیبلز میں موجود نہ ہونے والی اشیاء کو بیان کرتی ہے۔
خطرات اور گارڈریلز
تصویر کے حقوق اور رضامندی قانونی خطرات بن سکتے ہیں اگر ثبوت واضح نہ ہو۔
ماڈل کی کارکردگی روشنی، ڈیموگرافکس اور ماحول میں مختلف ہو سکتی ہے۔
جب تک اعتماد کی حدوں کی نگرانی نہ کی جائے غلط مثبتات پر کسی کا دھیان نہیں جا سکتا۔
نفاذ کا روڈ میپ
درستگی، یاد کرنے، اور غلطی کے اخراجات کے لیے قبولیت کے معیار کی وضاحت کریں۔
اعداد و شمار کے ساتھ ٹیسٹ کریں جو حقیقی پیداوار کے حالات سے میل کھاتا ہے۔
کم اعتماد یا زیادہ اثر والی پیشین گوئیوں کے لیے انسانی جائزہ شامل کریں۔
کیمرہ یا ڈیٹاسیٹ کی تبدیلیوں کے بعد ماڈل ڈرفٹ کو ٹریک کریں اور دوبارہ تصدیق کریں۔
دریافت کرتے رہیں
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
اگلا گائیڈ
آبجیکٹ کا پتہ لگانا
اکثر پوچھے گئے سوالات
What is Open-Vocabulary Object Detection?
کھلے الفاظ کی آبجیکٹ کا پتہ لگانے سے ماڈل کو صوابدیدی متن کے ذریعہ بیان کردہ اشیاء کو تلاش کرنے اور باکس کرنے کی سہولت ملتی ہے، بشمول وہ زمرے جو اس نے تربیت کے دوران کبھی لیبل نہیں دیکھا۔ یہ اہمیت رکھتا ہے کیونکہ روایتی ڈٹیکٹر کلاسوں کی ایک مقررہ فہرست میں بند ہیں، جبکہ کھلے الفاظ کے ماڈل تقریباً کسی بھی چیز کا پتہ لگا سکتے ہیں جسے آپ نام دے سکتے ہیں۔
کھلے الفاظ کی آبجیکٹ کا پتہ لگانے کی وضاحتی صلاحیت کیا ہے؟
کھلے الفاظ کا پتہ لگانے سے ٹیسٹ کے وقت متن کے ذریعے مخصوص کیٹیگریز کو لوکلائز کیا جا سکتا ہے، یہاں تک کہ جن کو اس نے باؤنڈنگ بکس کے ساتھ لیبل نہیں دیکھا۔
یہ ماڈل کس طرح ایک پتہ چلا علاقے کی درجہ بندی کرتے ہیں؟
وہ خطوں کو وژن کی زبان میں سرایت کرنے کی جگہ میں پیش کرتے ہیں اور ہر علاقے کو قریب ترین ٹیکسٹ لیبل ایمبیڈنگ سے ملاتے ہیں۔
کون سا pretraining وسائل سب سے زیادہ کھلے الفاظ کا پتہ لگانے کے قابل بناتا ہے؟
بڑے پیمانے پر امیج ٹیکسٹ ڈیٹا (جیسا کہ CLIP طرز کے ماڈلز استعمال کرتے ہیں) مشترکہ سرایت کرنے کی جگہ بناتا ہے جو متن کو نئے زمروں میں عام کرنے دیتا ہے۔
بند سیٹ ڈیٹیکٹر کے مقابلے میں کون سا جزو تبدیل کیا جاتا ہے؟
فکسڈ کلاس ویٹ ویکٹر کے بجائے، درجہ بندی ٹیکسٹ ایمبیڈنگز کی مماثلت کا استعمال کرتی ہے، اس لیے ٹیسٹ کے وقت نئے لیبل سٹرنگز کو شامل کیا جا سکتا ہے۔
ان میں سے کون سی مثال کھلی الفاظ یا گراؤنڈنگ ڈیٹیکشن ماڈل ہے؟
GLIP، OWL-ViT، ViLD، اور Detic کے ساتھ Grounding DINO معروف کھلے الفاظ یا گراؤنڈنگ ڈیٹیکٹر ہیں۔