最近在测试 Qwen3-VL ，Doubao-seed-2 这类的目标识别能力，尤其是豆包在很多复杂场景不需要训练就能标注得非常准确，能够在用法上更加灵活，对比 yolo 需要大量的训练数据，不断迭代。 想请教各位是否有尝试过用大模型做自动标注辅助 yolo 训练，或者直接用在生产环境？
 |
1
iasnull 19 小时 16 分钟前 via Android
看具体场景，各有优劣。比如最近的大模型在单字符级别的识别能力比较差，在比较大且明显的 2d 特征物体的识别能力就很厉害，能抗噪声和失真。
|
 |
2
giserd 19 小时 12 分钟前
VL 模型开销远高于 yolo 之类的目标识别,单纯目标识别还是感觉 yolo 更靠谱
|
 |
3
nno 19 小时 12 分钟前
对延迟敏感的不会用；不敏感的会用；
|
 |
4
stinkytofux 19 小时 12 分钟前
标注必须准确 yolo 的检测效果才好, 现阶段大模型标注还必须人工检查, 如果一张一张的检查, 调整标注, 还不如直接人工标. 因为修改更麻烦, 所以我们还是人工标.
|
 |
5
cryptovae 19 小时 9 分钟前
yolo 快，训练数据量上来，准确度提升
VL 模型慢，有幻觉，看你怎么取舍了 |
 |
6
timeance 18 小时 21 分钟前
工业检测不会，最多用大模型来辅助识别小模型；常见的两个场景是
1. 比如小模型识别不了的异形体，大模型做标注然后转人工 2. 产线部署的时候用人工大模型来标注数据，也就是大模型教小模型怎么做 |
 |
7
DigitalG 18 小时 18 分钟前
做过类似的尝试，试了市面上的 VLM 。忽略检测速度问题，只考虑效果的话。只判断分类或者有无的话，姑且还行。但如果使用提示词明确要求 VL 大模型给出障碍物和像素坐标，那就谈不上多准确。能给出的更多是语义信息，图里有什么，没什么，但在什么位置就不容里准确了。 做分类可以，做检测不行。
可以辅助标注，人去优化标注框 |
 |
8
WithoutSugarMiao 17 小时 39 分钟前
@DigitalG 我们这面是做工业场景的，之前用 yolo ，现在用 gemini3.0 最近换成了 3.1 。即便给像素坐标也非常准确。而且是很复杂的工业零件。
|
 |
9
visper 17 小时 30 分钟前
yolo 快啊。
|
 |
10
monstericeer OP 我这边是无人机高空场景，除了日常的目标识别外，需要做大量的语义分割/变化监测，在往大模型这方面探索。
|
|
11
monstericeer OP @WithoutSugarMiao seed2.0 的像素坐标比较准，但是会有概率遗漏，gemini3.1 准确率怎么样？有没有考虑对 qwen-vl 微调之类的
|
 |
12
xiaomushen 16 小时 1 分钟前
这得多慢多贵啊
|
 |
13
commoccoom 15 小时 4 分钟前
@monstericeer 老哥，我们也在做无人机巡检项目。你们那里 UOM 审批好过吗？
|
|
14
monstericeer OP @commoccoom 不好弄
|
|
15
commoccoom 14 小时 43 分钟前
@monstericeer 看来都麻烦，只有他们公安自己的方便。有些单位还去东部战区审批飞行
|
 |
16
Maroontor 14 小时 11 分钟前
借楼问下，针对材料识别的你们用 ocr 还是 vl 啊
|
|
18
DigitalG 12 小时 5 分钟前 via Android
@ifpig 需要支持多模态的。不过千问也是有的，比如 3.5plus ，3.6plus 。官方 api 文档里会给例子，一般可以把图像转成 base64 编码塞到 payload 或者给 url
|
 |
19
kuhung 12 小时 3 分钟前
这个没必要 VL 吧 简单模型效果好 VL 太重了 宣传大于实际
你是开发，就走 sota 模型 你是老板，就往 VL 上面靠 |
 |
20
TsubasaHanekaw 9 小时 46 分钟前
在做字符缺陷了
|
 |
21
cairnechen 8 小时 53 分钟前
@monstericeer 通用大模型处理图片都会缩放，视觉估算坐标的时候漂移很严重，gemini 我没试过，GPT5.4 和 opus 基本都是残废，而且官方文档不可信，claude vision 文档说单边大于 1580px 总像素>1.15M 才会缩放，实际比这严格很多 800 * 600 都会缩放，一缩放就别指望坐标能准确了
|
 |
22
wonderfulcxm 5 小时 48 分钟前
用的，旅游时就用 minimax token plan ，自带了一个里的 image 01 ，在 openclaw 里识别我随手拍的照片根据内容重命名放进 google drive ，识别的还挺好的。
|
|
23
wonderfulcxm 5 小时 47 分钟前
哦，你做训练啊，我还以为个人用，误会哈哈。
|
Select Language