目标检测新SOTA，端侧实时识别，沈向洋罕见转发点赞

白交 发自 凹非寺
量子位 | 公众号 QbitAI

目标检测领域，迎来了新进展——

Grounding DINO 1.5，IDEA研究院团队出品，在端侧就可实现实时识别。

这一进展获得AI大佬沈向洋转发，他一般都是一年一转的节奏。

此次发布主要有两个版本：Pro和Edge。Pro版更强，Edge版更快。

它仍然保留了上一个版本Grounding DINO双编码器-单解码器结构，在此基础上通过结合更大的视觉 backbone 扩大模型尺寸，并使用超过2000万的Grounding 数据获得了丰富的语料，大幅提升了检测精度和速度，且通过Pro和Edge版本分别针对不同应用场景进行了优化。

Pro版本在大规模数据集构建和高精度需求场景中表现卓越，而Edge版本则在端侧部署中展示了其独特的优势。

这就来分别看一看。

Pro版目标检测新SOTA

Grounding DINO 1.5 Pro版本实现了当前开集目标检测SOTA水平，在图像和文本的语义理解上表现出色，能够快速、准确地根据语言提示检测和识别图像中的目标对象。

△在COCO、LVIS、ODinW35和ODinW13基准测试中的零样本迁移性能对比

物体级别理解是机器和物理世界交互的感知基础，也是解决多模态大模型（VLM）幻觉问题绕不过去的基础问题。

作为当前性能最好的开集检测模型，Grounding DINO 1.5 Pro 可以帮助构建海量的具有物体级别语义信息的多模态数据，从而有效地助力多模态大模型的训练。

它可以将长文本描述中的短语与图像中的具体对象或场景精确匹配，以增强AI对视觉内容和文本之间关系的理解

另外，在其他需要处理大量复杂数据的领域，如电商、社交媒体和自动驾驶等，Grounding DINO 1.5 Pro 也具有强大应用价值。

例如，在电商领域，该模型可以帮助快速标注商品图像，优化搜索和推荐系统。在社交媒体中，该模型能自动标注用户上传的图片，提升内容审核和分类的效率。

支持行业数据微调

除此之外，Pro版还支持通过行业数据进行微调（fine tuning），以满足各行业的特定需求，从而达到更加精准的识别效果。

为了验证微调带来的提升，CVR团队在视觉领域通用的LVIS等公开数据集上进行了对比实验。

从最后两行可看出，Grounding DINO 1.5 Pro经过微调，在多个数据集上都展现出大幅的性能提升。

而在多个实际场景，也十分适配。

像在医疗领域，通过微调后的Grounding DINO 1.5 Pro可以更准确地识别医疗影像中的病灶，辅助医生进行诊断，提高诊疗效率。

在零售行业，微调后的模型能更精准地识别和分类商品，有助于库存管理和销售分析。

Edge版端侧可部署

在端侧部署方面，Grounding DINO 1.5 Edge版本通过模型结构优化，成功部署在NVIDIA Orin NX卡上，并实现了10FPS的推理速度。

再者，它可以让机器人和开放环境进行交互。

在自动驾驶领域，Grounding DINO 1.5 Edge未来可以在车辆上实时运行，实现高效的目标检测和环境感知，提高驾驶安全性。在智能安防中，该模型能快速处理视频监控数据，实时检测异常行为，提升安全监控的响应速度。

未来，Grounding DINO 1.5 Edge的运行速度有望提升至20到30FPS，进一步扩大其在边缘计算领域的应用范围。

论文链接：
https://arxiv.org/abs/2405.10300
项目试玩链接：
https://deepdataspace.com/playground/grounding_dino