NVIDIA libera código-fonte do modelo de localização visual LocateAnything-3B

NVIDIA liberou o código-fonte do modelo de localização visual LocateAnything-3B.

O modelo consegue localizar objetos mesmo em cenas muito densas. Por exemplo, em uma imagem com dezenas de minions próximos uns dos outros, ele destaca corretamente cada um com uma caixa delimitadora separada.

A principal diferença em relação à maioria dos modelos existentes é o método de geração das caixas delimitadoras. Normalmente, as coordenadas (x1, y1, x2, y2) são previstas sequencialmente, o que desacelera o processo e faz com que erros nas etapas iniciais afetem as coordenadas subsequentes, especialmente quando há muitos objetos.

O LocateAnything-3B emprega decodificação paralela: o modelo prevê caixas delimitadoras completas de uma só vez, em vez de construí-las passo a passo. Isso torna a detecção mais estável, particularmente em cenas com grande número de objetos.

O modelo possui 3 bilhões de parâmetros e é distribuído com código aberto. 💜