タグ: #vlm

← すべての記事

• ビジョン言語モデル(VLM)2026 完全ガイド — CLIP・LLaVA・InternVL3・Qwen2.5-VL・GPT-4o・Gemini 2.5・Claude 4.7・DINOv2・SAM 2・Florence-2 徹底解説

  2026年5月時点のビジョン言語モデル(VLM)を一本にまとめる。CLIP系列(SigLIP, EVA-CLIP)、オープンVLM(LLaVA-NeXT, InternVL3, Qwen2.5-VL, Pixtral, Molmo, Idefics3, MiniCPM-V)、クローズドフロンティア(GPT-4o, Claude 4.7, Gemini 2.5)、ビジョン基盤(DINOv2/v3, SAM 2, Florence-2)、学

  2026-05-16 · 27 分で読めます #vision-language-models#vlm#clip#llava#internvl

• コンピュータビジョン・フレームワーク2026完全ガイド - OpenCV 4・MediaPipe・Detectron2・YOLO v11・MMDetection・SAM 2・Grounding DINO徹底解説

  2026年のコンピュータビジョン・スタックはもはや「ピクセルを触る仕事」ではない。OpenCV 4.10はONNX推論を基本機能として取り込み、MediaPipe Studioはモバイル実時間パイプラインを一行に縮め、YOLO v11はUltralyticsからNAS・セグメンテーション・姿勢推定までを一つのモデルに束ね、SAM 2は動画マスクを実時間で追跡し、Grounding DINO 1.6とFlorence-2は「テキストから箱

  2026-05-16 · 32 分で読めます #computer-vision#opencv#mediapipe#detectron2#yolo

• Vision モデル開発・fine-tuning 完全ガイド 2026 — CNN、ViT、DETR、SAM 2、VLM の実戦 decision tree

  2026 年の vision モデル開発はもう ResNet を 1 行で持ってきて学習する時代ではない。CNN、ViT、DETR、SAM 2、そして LLaVA・Qwen-VL・Gemini Vision・Claude Vision のような VLM まで — 同じ写真 1 枚に対しても、どのモデルを使うかで cost が 100 倍、accuracy が 30 pp 変わる。この記事は classification・detectio

  2026-05-14 · 26 分で読めます #computer-vision#vision-model#cnn#vit#detr

• マルチモーダルLLM完全ガイド: Vision、文書理解、OCR、動画、音声、韓国語の特殊性 (2025)

  テキストだけを扱う時代は終わった。2025年のLLMは画像・文書・映像・音声を自然に処理する。GPT-4o/Claude 3.5/Gemini/Qwen2-VL/Pixtralの比較、Document AIとレイアウト理解、OCRの現代化、動画・音声、韓国語文書の特殊性、そしてマルチモーダルRAGまで。実戦ケースで整理した一本。

  2026-04-15 · 18 分で読めます #multimodal#vision-llm#document-ai#ocr#whisper

• LLMマルチモーダル Vision-Language モデルサービングと最適化実践ガイド

  マルチモーダルVision-Languageモデルのプロダクションサービングと最適化の実践ガイド。

  2026-03-05 · 24 分で読めます #llm#multimodal#vlm#vllm#2026-03

• 自律走行/ロボティクス技術スタック完全攻略：C++、ROS2、CUDA、TensorRTからVLM/VLA、シミュレーションまで

  自律走行とロボティクスの中核技術スタックを総まとめする。Modern C++、ROS/ROS2、CUDA並列プログラミング、TensorRT最適化、モデル軽量化（量子化/プルーニング）、センサーフュージョン（GPS/IMU/カメラ/LiDAR）、VLM/VLAモデル、SIL/HILテスト、シミュレーション（CARLA/Isaac Sim）、自律走行フルスタック、VR/ARデジタルツイン、クラウドインフラまで、13の中核領域を実践的な観点

  2026-03-01 · 27 分で読めます #autonomous-driving#robotics#ros2#cuda#tensorrt