NVIDIA udostępnia kod źródłowy modelu lokalizacji wizualnej LocateAnything-3B

NVIDIA udostępniła kod źródłowy modelu lokalizacji wizualnej LocateAnything-3B.

Model ten potrafi precyzyjnie wskazywać położenie obiektów nawet w ekstremalnie zatłoczonych scenach. Na przykład na zdjęciu przedstawiającym dziesiątki stojących blisko siebie postaci „Minionków”, algorytm poprawnie zaznacza każdą z nich osobną ramką ograniczającą (bounding box).

Główna różnica w porównaniu z większością istniejących modeli polega na metodzie generowania ramek ograniczających. Tradycyjnie współrzędne (x1, y1, x2, y2) są przewidywane sekwencyjnie, co spowalnia proces, a błędy na wczesnych etapach mogą rzutować na kolejne wartości, szczególnie gdy w kadrze znajduje się wiele obiektów.

LocateAnything-3B wykorzystuje dekodowanie równoległe: model przewiduje kompletne ramki ograniczające jednocześnie, zamiast budować je krok po kroku. Dzięki temu detekcja jest znacznie stabilniejsza, zwłaszcza w scenach o dużej liczbie obiektów.

Model zawiera 3 miliardy parametrów i jest dystrybuowany z otwartym kodem źródłowym.