【深度学习】YOLO-World: Real-Time Open-Vocabulary Object Detection，目标检测

介绍一个酷炫的目标检测方式：

论文：https://arxiv.org/abs/2401.17270
代码：https://github.com/AILab-CVC/YOLO-World

摘要

YOLO-World是一种实时开放词汇目标检测系统，它通过视觉-语言建模和大规模数据集上的预训练，增强了YOLO（You Only Look Once）系列检测器的开放词汇检测能力。具体来说，该研究提出了一个新的可重新参数化的视-语路径聚合网络（RepVL-PAN）和区域-文本对比损失函数，以促进视觉和语言信息之间的交互。YOLO-World在零样本方式下检测广泛对象类别方面表现出色，并且效率很高。在具有挑战性的LVIS数据集上，YOLO-World在V100上达到了52.0 FPS的帧率和35.4的AP值，这在准确性和速度方面都超过了当前许多最先进的方法。此外，经过微调的YOLO-World在多个下游任务上，包括目标检测和开放词汇实例分割，都取得了显著的性能。