← Каталог

· AI Engineer World's Fair 2025

Компьютерное зрение в 2025 году

Vision AI in 2025 — Peter Robicheaux, Roboflow

COCO уже не измеряет визуальный интеллект модели, и, по словам автора, новый бенчмарк RF100-VL и DINOv2-бэкбон в детекторе показывают, где визуальные модели отстают.

  • Предобучение зависит от архитектуры — сверточный YOLOv8n на Objects365 почти не выигрывает на COCO (около 0,2 mAP), а трансформерный LW-DETR получает от того же предобучения прирост 5–7 mAP.
  • CLIP и DINOv2 видят разное — CLIP не различает пары изображений, которые DINOv2 разделяет, потому что подписи не фиксируют позы объектов. По словам автора, DINOv2-бэкбон в RF-DETR заметно улучшает результаты на RF100-VL.
  • Обычный детектор бьёт большие VLM — по словам спикера, YOLOv8, обученный на 10 примерах на класс, в RF100-VL обходит Qwen2.5-VL-72B.
  • RF100-VL проверяет домены, а не знание мира — 100 датасетов из Roboflow Universe с аэросъёмкой, микроскопией и рентгеном; по словам спикера, ни одна модель пока не выигрывает от трёх входов сразу: имени класса, инструкции для разметчика и 10 примеров.

Кому полезно: тем, кто выбирает детектор для edge-устройств или строит датасеты в нестандартных доменах, где COCO не отражает задачу.

Статья по теме

Главы

Похожие доклады