Модель находит объекты даже в плотных сценах. Например, на изображении с десятками миньонов, стоящих вплотную, она корректно выделяет каждого отдельной рамкой.
Главное отличие — способ генерации рамок. Обычно координаты (
x1, y1, x2, y2) предсказываются последовательно, цифра за цифрой. Это замедляет работу, а ошибки на ранних этапах влияют на последующие координаты, особенно при большом количестве объектов.LocateAnything-3B использует параллельное декодирование: модель сразу предсказывает готовые рамки целиком, а не строит их поэтапно. Это делает детекцию стабильнее, особенно в сценах с множеством объектов.
Для обучения использовались не только классические датасеты для распознавания объектов, но и данные для распознавания интерфейсов, OCR и анализа структуры документов. Поэтому модель находит как реальные объекты, так и элементы пользовательского интерфейса и текстовые области.
Борьба с БПЛА может выйти на новый уровень!?
tg / max
Комментарии (1)