NVIDIA відкрила вихідний код моделі візуальної локалізації LocateAnything-3B.

NVIDIA відкрила вихідний код моделі візуальної локалізації LocateAnything-3B.

Модель здатна знаходити об'єкти навіть у дуже щільних сценах. Наприклад, на зображенні з десятками міньйонів, які стоять близько один до одного, вона коректно виділяє кожного окремою рамкою.

Головна відмінність від більшості існуючих моделей - це спосіб генерації обмежувальних рамок. Зазвичай координати (x1, y1, x2, y2) передбачаються послідовно, що уповільнює роботу, а помилки на ранніх етапах можуть впливати на наступні координати, особливо якщо об'єктів багато.

У LocateAnything-3B використовується паралельне декодування: модель одразу передбачає готові рамки цілком, а не будує їх поетапно. Це робить детекцію стабільнішою, особливо в сценах з великою кількістю об'єктів.

Модель містить 3 млрд параметрів і поширюється з відкритим вихідним кодом. 💜