SAM 2、LLaVA或 ChatGPT等模型无需特殊训练即可完成任务。这让人们怀疑训练 AI 的旧方法（即微调）是否已经过时。
在本文中，我们比较了两种模型：YOLOv8（微调）和 YOLO-World（零样本）。通过观察每种模型的效果，我们将尝试回答一个大问题：微调是否会成为过去，还是我们仍然需要这两种训练 AI 的方式？🤔
TL;DR：如下所示，上述问题的答案是：视情况而定！
目录
- 微调 VS 零样本
- YOLOv8 与 YOLO-World
- 那么，何时使用微调而不是零样本，反之亦然？
- 下一步是什么？
1. 微调 VS 零样本
传统上，在物体检测（计算机视觉中的一项关键任务）中，我们严重依赖微调[1]。此过程涉及采用预先训练的模型，并使用较小的特定于任务的数据集调整其参数。
虽然微调有效，但也有其缺点：
- 1.耗时：往往需要数小时甚至数天的训练。
- 2. 数据量巨大：每个新类别都需要大量标记数据。
- 3. 计算成本高昂：需要大量的处理能力和能源。
- 4. 缺乏灵活性：模型需要针对每个新的对象类别进行重新训练。
零样本学习 [2] 是一种突破这些限制的革命性方法。零样本学习并不是新事物，但它使模型能够识别从未明确训练过的对象类别。
从高层次来看，零样本的工作原理如下：
- 1.模型学习将视觉特征与语义概念联系起来（即语义理解）。
- 2. 它利用这种理解来识别新的、看不见的物体（即知识转移）。
- 3.该模型使用上下文线索对不熟悉的物体做出有根据的猜测（即上下文推理）。
这为本文的关键问题奠定了基础：鉴于零样本模型（如为语言任务提供支持的 ChatGPT 模型）越来越受欢迎，物体检测的微调时代是否即将结束？
剩余内容需解锁后查看
RA/SD 衍生者AI训练营。发布者：chris，转载请注明出处：https://www.shxcj.com/archives/6386
