跳到正文

YOLO-World

实时开放词汇物体检测

访问官网

YOLO-World 是什么

YOLO-World被介绍为一款实时开放词汇物体检测器,基于You Only Look Once系列检测器,并通过视觉-语言建模和大规模数据集的预训练增强开放词汇检测能力。它采用可重新参数化的视觉-语言路径聚合网络RepVL-PAN和区域-文本对比损失,促进视觉与语言信息之间的交互。

你可以用它做什么

  • 运行实时开放词汇物体检测
  • 以零-shot 方式高效检测各种对象
  • 在 LVIS 数据集上进行零-shot 推断

模型说明

  • 基于 YOLO 系列,结合视觉-语言建模与大规模数据集预训练
  • 用 RepVL-PAN 和区域-文本对比损失连接视觉与语言信息
  • 资料记载在 LVIS 上、V100 上实现 35.4 AP 和 52.0 FPS
  • 微调后的版本用于物体检测和开放词汇实例分割

优点与缺点

✓ 我们认可的地方

  • 资料称高效率、高速度
  • 微调后可用于多项下游任务

! 需要留意的地方

  • 开放词汇检测依赖视觉-语言预训练
  • 所列 LVIS 数字在 V100 上取得

常见问题

它检测什么?

资料描述的是零-shot 方式下实时检测各种对象的开放词汇检测。

用了哪些技术?

资料列出视觉-语言建模、大规模数据集预训练、RepVL-PAN 和区域-文本对比损失。

最后评测: 2026-11-15

更多 大模型 API 平台 工具

查看全部 →

评测方法