· 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
Moondream: как такая маленькая vision-модель так круто справляется?
AI Engineer World's Fair 2024
Близко по содержанию
120 тысяч игроков за неделю: уроки первого вирусного приложения на CLIP
AI Engineer Summit 2023
Близко по содержанию
Возможно, вам не нужны 50 шагов диффузии
AI Engineer Europe 2026
Близко по содержанию
Создание генеративных моделей изображений и видео в больших масштабах
AI Engineer Europe 2026
Близко по содержанию

