本文へスキップ

YOLO-World

オープンボキャブラリでリアルタイム物体検出

公式サイトを見る

YOLO-World とは

YOLO-World はリアルタイムのオープンボキャブラリ物体検出器と紹介され、You Only Look Once 系の検出器を土台にすると説明されている。 視覚・言語モデル化と大規模データセットの事前学習で検出力を高め、RepVL-PAN と領域・テキスト対照損失が視覚と言語の情報を結びつける。

できること

  • リアルタイムのオープンボキャブラリ物体検出を行う
  • ゼロショット方式で多様な物体を検出する
  • LVIS データセットでゼロショット推論を行う

モデルについて

  • YOLO 系を土台に視覚・言語モデル化と大規模事前学習を組み合わせる
  • RepVL-PAN と領域・テキスト対照損失で視覚と言語を結びつける
  • 資料は LVIS で V100 により 35.4 AP と 52.0 FPS を記す
  • 微調整版は物体検出とオープンボキャブラリのインスタンスセグメンテーションを扱う

長所と短所

✓ 良い点

  • 資料は高い効率と速度を挙げる
  • 微調整版は複数の下流タスクに使われる

! 注意したい点

  • オープンボキャブラリ検出は視覚・言語の事前学習に依存
  • 示された LVIS の数値は V100 で測定されたもの

よくある質問

何を検出する?

資料はゼロショットで多様な物体をリアルタイムに検出すると説明。

どんな手法が挙がる?

視覚・言語モデル化、大規模事前学習、RepVL-PAN、領域・テキスト対照損失。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法