首页 > 教程攻略 > ai资讯 >YOLO-World：基于视觉语言模型的实时开放词汇物体检测

YOLO-World：基于视觉语言模型的实时开放词汇物体检测

来源：互联网时间：2026-08-17 14:24:33

Paper：YOLO-World: Real-Time Open-Vocabulary Object Detection
Abs：https://arxiv.org/abs/2401.17270
Code：https://github.com/AILab-CVC/YOLO-World在自然图像与视频目标检测领域，有个老问题一直没解决：传统方法只能在预定义类别的数据集上训练，一旦遇到没见过的目标类别，基本毫无办法——零样本检测能力近乎为零，识别边界非常有限。换句话说，你训练了一个能认猫和狗的网络，它碰见熊猫就彻底懵了。

来自腾讯AI Lab、ARC Lab、腾讯PCG以及华中科技大学的研究者们，在CVPR 2024上提出了一个名为YOLO-World的开放词汇模型。核心思路很直接：通过视觉语言建模，让YOLO这类经典检测器具备真正的“语言理解”能力，从而打破预定义类别的束缚。他们还在大规模数据上做了预训练探索，最终的结果是——YOLO-World在推理速度和零样本检测精度上都全面领先此前的工作。需要注意的是，这里说的“领先”可不是纸面功夫，而是实打实地把零样本检测跑出了实时帧率。

目前，YOLO-World已经在腾讯内部的多个业务中落地，并且和海外多家公司达成了商业合作——从实验室到产线，这条路走得很快。

YOLO-World：基于视觉语言模型的实时开放词汇物体检测

相关阅读

相关下载