YOLO-World：缩小开放词汇下的目标检测检测速度和准确性之间的差距

背景

Open-vocabulary object detection 是一种目标检测技术，它能够识别任意目标类别，而不只是预先设定好的几类目标。这项技术通常是通过使用大型语言模型来实现的，这类模型可以识别出文本中出现的大量不同的词汇，并结合图像分析技术来进行目标检测。它的优势在于能够识别出更为广泛的目标类别，提高目标检测的准确性和效率。

OVD是在论文“Open-Vocabulary Object Detection Using Captions”（OVR-CNN）中首次被提出，其出发点是制定一种更加通用的目标检测问题，目的是借助于大量的image-caption数据来覆盖更多的目标检测类别，使得目标检测不再受限于带标注（具有真实边界框标签）的数据的少数类别，从而实现更加泛化的目标检测，识别出更多的未知物体类别。其核心于与zero-shot目标检测类似，都是在可见类（base class）的数据上进行训练，然后完成对不可见类（unseen/target）数据的识别和检测。

前言

在不断发展的人工智能和计算机视觉领域中，YOLO-World作为一项突破性的发展出现，重塑了我们在目标检测方面的理解和能力。这种尖端方法扩展了YOLO（You Only Look Once）系列，通过整合开放词汇检测，允许更加动态和灵活地实时识别对象。

最近在视觉-语言建模方面的进步为各个领域开启了前所未有的应用，