《计算机视觉度量：从特征描述到深度学习》-- 大模型特征提取到特征检索

        本周是2025年8月的最后一个周，进入2024年以后，大模型技术的发展可以用一日千里来形容。各种大模型的出现，文字，视频，图片，语音等等。衍生出针对不同行业和不同场景的大模型方案。同样，博主也逐渐开始针对工业检测领域，开发行业大模型。距离上次的博客和模型更新已经过去了快半年，主要原因是博主工作生活太忙。最近利用下班时间，做一些更新。预告博主会在近期，发布针对工业检测7B的大模型软件，之前1.5B的模型继续保留，建议大家更新后切换成更大的模型方案，效果提升明显。

        本次更新主要对最近大模型的开发，做一些总结。

第一点：大模型的知识储备>单个人工的知识储备

第二点：大模型对数据的特征提取能力>人类已知的数据特征提取方法

第三点：目前人工对所有模型的使用，还停留的数据检索阶段

        以上三点的支撑，主要基于个人开发过程中遇到的问题，并解决问题，做出的一些总结。有一定的引导意义，但是不一定绝对。从2017年深度学习方法被大家知晓以后，模型经历了，卷积网络，深度卷积网络，大模型。三个不同的阶段，技术一致在朝更大更深的网络结构发展。是为了让模型有更加深的数据理解能力，从而提取更加精准的数据特征。

        同样在技术发展过程中，应用也在不断的跟进。工业行业比较多的是分类，分割，和目标检测。这些方法都有一个共性方法，就是微调。

 微调：微调的本质是，基于大数据训练和总结的预训练模型，修改部分权重参数的，完成对单一行业的模型定制。在很多实践的验证下，不用修改预训练模型的权重，在预训练模型后端加入一个回归的小模型，效果提升更明显。这也体现出模型的结果输出，实际上是一种特征检索，把图片数据转化为特征数据，并针对不同特征，输出不同的结果。同样反之，如果不同的数据，拥有同样的特征，那输出的结果也会一样