在那儿能找网站建设,网站开发课题开发背景,有个能写文章做任务的网站,东莞 手机网站制作169期《YOLO-World Real-Time Open-Vocabulary Object Detection》 You Only Look Once (YOLO) 系列检测模型是目前最常用的检测模型之一。然而#xff0c;它们通常是在预先定义好的目标类别上进行训练#xff0c;很大程度上限制了它们在开放场景中的可用性。为了解决这一限制… 169期《YOLO-World Real-Time Open-Vocabulary Object Detection》 You Only Look Once (YOLO) 系列检测模型是目前最常用的检测模型之一。然而它们通常是在预先定义好的目标类别上进行训练很大程度上限制了它们在开放场景中的可用性。为了解决这一限制本文引入了 YOLO-World通过视觉语言建模和大规模数据集的预训练来增强 YOLO具有开集检测能力。具体来说本文提出了一种新的重参数化视觉语言路径聚合网络RepVL-PAN和区域-文本对比损失以促进视觉和语言信息之间的交互。本文提出的方法在具有挑战性的LVIS数据集上取得了35.4AP的精度V100上取得了52的FPS在精度和速度方面都优于许多最先进的方法。此外微调后的 YOLO-World 在几个下游任务包括对象检测和开放词汇实例分割上均取得了显著的性能。具体贡献可以总结为
YOLO-World 是下一代YOLO检测器旨在实现实时开放词汇目标检测。YOLO-World 是在大型视觉语言数据集上进行预训练的包括 Objects365、GQA、Flickr30K和CC3M这为YOLO-World提供了强大的零样本开放词汇能力和图像基础能力。YOLO-World 实现了快速的推理速度本文提出了重参数化技术以在给定用户词汇的情况下实现更快的推理和部署。YOLO-World 项目链接https://www.yoloworld.cc/ 1. Framework
YOLO-World模型框图如下所示可分为几个模块
YOLO-World 使用CLIP作为文本编码器构建YOLO检测器用于从输入文本中提取文本嵌入例如对象类别或名词短语。YOLO-World 包含一个重参数化的视觉语言路径聚合网络RepVL-PAN以促进多尺度图像特征和文本嵌入之间的交互。RepVL-PAN 可以将用户的离线词汇表重参数化为模型参数以便快速推理和部署。YOLO-World在具有区域文本对比损失的大规模区域文本数据集上进行预训练以学习视觉和语言之间的区域级对齐。对于正常的图像文本数据集例如CC3M本文采用自动标注方法来生成伪区域文本对。 2. Performance
下表是YOLO-World模型在LVIS数据集上零样本检测能力可以看到AP均超过先前的检测模型而在运行速度上提高了几十倍达到了实时性。 下面是YOLO-Wold检测模型和其它开集检测模型推理速度的对比。 下面是一些可视化效果展示 下面是网页在线Demo检测效果大家可以在线体验下。
