标签: #YOLO-World

← 全部文章

• 开放词汇检测：将 CLIP 文本 embedding 附加到检测器上 — OWL-ViT、OWLv2、Grounding DINO、YOLO-World、YOLOE

  普通检测器只能识别训练时固定的 80 个类别（COCO）。开放词汇检测器只需给定「racket」这样的文本即可识别球拍，其出发点是将分类头的固定权重替换为由文本编码器生成的 embedding。本文梳理了将 ViT 的每个 token 与边界框和文本 embedding 相结合的 OWL-ViT；通过为数十亿张网络图片自主打标签、将罕见类别 AP 从 31.2 提升至 44.6 的 OWLv2；深度融合文本和图像的 GLIP 与 Gro

  2026-10-17 · 15 分钟阅读 #비전 모델#열린 어휘 검출#CLIP#OWL-ViT#OWLv2