YOLO-World：リアルタイムのオープンボキャブラリー物体検出 110

YOLO-Worldは、テンセントai研究所が開発したリアルタイム物体検出ツールで、画像内のさまざまなオブジェクトを自動的に認識・位置特定することができます。YOLO-Worldは速度と精度の両面で多くの最先端手法を上回っています。

YOLO-Worldは、リアルタイムのオープンボキャブラリー物体検出を目的とした次世代YOLO検出器です。YOLO-Worldは、大規模な視覚言語データセット（Objects365、GQA、Flickr30K、CC3Mなど）上で事前学習されており、これによりYOLO-Worldは強力なゼロショットオープンボキャブラリー能力と画像グラウンディング能力を備えています。学習なしにリアルタイム物体検出が可能であり、これまで見たことのない物体でも検出できます。YOLO-Worldは物体検出とオープンボキャブラリーインスタンスセグメンテーションに適しています。

YOLO-Worldの機能特徴：

1、大規模学習：YOLO-Worldは、大量の画像と対応する記述（物体名など）を学習することで、豊富な視覚的知識と言語的知識を獲得し、これにより幅広い物体を認識できます。

本プロジェクトは、Objects365、GQA、Flickr30K、CC3Mなどの大規模な視覚-言語データセット上で事前学習されており、これによりYOLO-Worldは強力なゼロショットオープンボキャブラリー能力と画像内の位置特定能力を備えています。

2、高速かつ高精度：YOLO-Worldは、LVISデータセットでのゼロショット評価において35.4 APを達成し、V100上で52.0 FPSの処理速度を実現しており、速度と精度の両面で多くの最先端手法を上回っています。複雑なシーンを含む画像でも高い精度を維持できます。YOLO-WorldはGroundingDINOより20倍高速であると主張しています。

3、ゼロショット検出：最も印象的なのは、YOLO-Worldがこれまで見たことのない物体であっても、事前の学習と理解能力に基づいて、画像内の手がかりやコンテキスト情報を通じてこれらの新しい物体を認識・位置特定できることです。つまり、新しいクラスの物体を検出させるために学習させる必要はありません。クラス名を入力テキストプロンプトとして与えるだけで、モデルは（存在する場合）これらのオブジェクトのバウンディングボックスを返します。

4、物体の理解：YOLO-Worldは視覚情報だけでなく、言語情報も組み合わせて利用します。人間の言語記述を理解するため、これまで直接見たことのない物体でも認識できます。

5、既存のオープンボキャブラリー検出手法と比較して、YOLO-Worldモデルは少なくとも20倍高速です。毎秒約52フレームを処理できます。

6、LVIS物体検出データセットにおいて、最先端の新たなデータセット記録を樹立しました。