Phát hiện đối tượng từ vựng mở
Tính năng phát hiện đối tượng từ vựng mở cho phép mô hình tìm và đóng hộp các đối tượng được mô tả bằng văn bản tùy ý, bao gồm các danh mục mà mô hình chưa từng thấy được gắn nhãn trong quá trình đào tạo.
Tổng quan
It matters because traditional detectors are locked to a fixed list of classes, while open-vocabulary models can detect almost anything you can name.
Lặn sâu
Các máy dò cổ điển được đào tạo trên một tập hợp các danh mục khép kín, chẳng hạn như 80 lớp trong COCO và không thể nhận ra 'vật' bên ngoài danh sách đó. Tính năng phát hiện từ vựng mở phá vỡ giới hạn đó bằng cách căn chỉnh các đặc điểm vùng thị giác với không gian nhúng ngôn ngữ tầm nhìn chung, thường được học từ các cặp văn bản-hình ảnh lớn (như trong CLIP). Theo suy luận, bạn cung cấp nhãn văn bản, mô hình sẽ nhúng các nhãn đó và khớp các vùng được phát hiện với bất kỳ nội dung nhúng văn bản nào gần nhất, do đó, các danh mục mới sẽ hoạt động miễn là bạn có thể mô tả chúng. Các hệ thống như ViLD, GLIP, OWL-ViT, Detic và Grounding DINO đã phổ biến cách tiếp cận này bằng cách kết hợp các xương sống phát hiện với nền tảng ngôn ngữ và bằng cách đào tạo trên các bộ dữ liệu nền tảng hoặc gắn nhãn yếu.
Hiểu biết kỹ thuật
Bí quyết là thay thế lớp phân loại cố định bằng phần nhúng văn bản. Thay vì học một vectơ trọng số cho mỗi lớp đã biết, bộ phát hiện sẽ chiếu từng vùng vào cùng một không gian với bộ mã hóa ngôn ngữ; phân loại trở thành sự so sánh tương tự giữa các đặc điểm khu vực và việc nhúng các tên hoặc cụm từ danh mục do người dùng cung cấp. Bởi vì bộ mã hóa văn bản tổng quát hóa thành các từ không nhìn thấy nên việc hoán đổi chuỗi nhãn mới tại thời điểm thử nghiệm cho phép phát hiện các danh mục không có trong dữ liệu huấn luyện hộp giới hạn.
Tác động chiến lược
Tốc độ và tỷ lệ
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Xây dựng lựa chọn
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Nhóm và quy trình làm việc
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Tương lai của việc phát hiện đối tượng từ vựng mở
Tính năng phát hiện từ vựng mở đang hội tụ với nền tảng và phân đoạn, trong đó các cụm từ dạng tự do (không chỉ các từ đơn lẻ) bản địa hóa các đối tượng và với các hệ thống có thể nhắc nhở kết hợp với các mô hình như SAM cho mặt nạ. Mong đợi độ chính xác cao hơn khi chụp bằng 0, các truy vấn văn bản dài hơn và có bố cục chặt chẽ hơn (“chiếc cốc màu đỏ phía sau máy tính xách tay”) và khả năng kết nối chặt chẽ với các trợ lý đa phương thức phát hiện theo yêu cầu. Khi quá trình đào tạo văn bản hình ảnh trên quy mô web được cải thiện, ranh giới giữa phát hiện, truy xuất và hiểu ngôn ngữ sẽ tiếp tục mờ nhạt theo hướng nền tảng trực quan chung.
Triển khai trong thế giới thực
Tìm kiếm hình ảnh cho các đối tượng hiếm hoặc tùy chỉnh bằng cách nhập tên của chúng mà không cần đào tạo lại
Hệ thống robot định vị một mục mà người dùng đặt tên bằng ngôn ngữ tự nhiên trước khi nắm bắt nó
Tự động gắn nhãn tập dữ liệu bằng cách phát hiện nhiều danh mục mới từ danh sách văn bản
Kiểm duyệt nội dung gắn cờ các đối tượng mô tả không có trong nhãn đào tạo ban đầu
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Phát hiện đối tượng
Câu hỏi thường gặp
What is Open-Vocabulary Object Detection?
Tính năng phát hiện đối tượng từ vựng mở cho phép mô hình tìm và đóng hộp các đối tượng được mô tả bằng văn bản tùy ý, bao gồm các danh mục mà mô hình chưa từng thấy được gắn nhãn trong quá trình đào tạo. Điều này quan trọng vì các trình phát hiện truyền thống bị khóa trong một danh sách các lớp cố định, trong khi các mô hình từ vựng mở có thể phát hiện hầu hết mọi thứ mà bạn có thể đặt tên.
Khả năng xác định của việc phát hiện đối tượng từ vựng mở là gì?
Tính năng phát hiện từ vựng mở có thể bản địa hóa các danh mục được chỉ định bởi văn bản tại thời điểm thử nghiệm, ngay cả những danh mục mà nó chưa từng thấy được gắn nhãn bằng các hộp giới hạn.
Làm thế nào để các mô hình này phân loại một khu vực được phát hiện?
Họ chiếu các vùng vào một không gian nhúng ngôn ngữ tầm nhìn và khớp từng vùng với phần nhúng nhãn văn bản gần nhất.
Tài nguyên đào tạo trước nào cho phép phát hiện từ vựng mở nhiều nhất?
Dữ liệu văn bản-hình ảnh khổng lồ (được sử dụng bởi các mô hình kiểu CLIP) xây dựng không gian nhúng chung cho phép văn bản khái quát hóa thành các danh mục mới.
Thành phần nào được thay thế so với máy dò kín?
Thay vì các vectơ trọng số lớp cố định, việc phân loại sử dụng sự tương tự với việc nhúng văn bản, do đó các chuỗi nhãn mới có thể được thêm vào thời điểm thử nghiệm.
Cái nào trong số này là một ví dụ về mô hình phát hiện từ vựng mở hoặc nền tảng?
Nối đất DINO, cùng với GLIP, OWL-ViT, ViLD và Detic, là những máy dò từ vựng mở hoặc nối đất nổi tiếng.