Обнаружение объектов (OD) — один из инструментов, доступных разработчикам в VisionAgent. Он обеспечивает высококомпетентное обнаружение объектов с нулевого уровня в сложных задачах, используя агентные рассуждения об изображениях. Применяя агентные шаблоны, такие как планирование, генерация кода и использование инструментов, Agentic OD может надёжно обнаруживать как обычные объекты (например, «человек», «мотоцикл»), так и более сложные объекты (например, «работник без шлема», «гнилой перец», «красные ботинки»). Во внутреннем тесте LandingAI Agentic OD достиг 79,7% F1, превзойдя большие мультимодальные модели (LMM), такие как Qwen2.5-VL-7B-Instruct и GPT-4o, а также модели OD с открытым набором, такие как Florence-2 и OWLv2.
Как использовать агентное обнаружение объектов
Agentic OD доступен в виде веб-приложения, позволяющего пользователям тестировать различные подсказки на образцах изображений, а также на изображениях, которые они загружают.
Разработчики, желающие включить функциональность OD в свои приложения, могут использовать API Agentic OD:
- Входные данные: краткая подсказка с описанием интересующих объектов.
- Выходные данные: список полей в формате [Xmin, Ymin, Xmax, Ymax], соответствующих каждому обнаруженному экземпляру подсказки.
Варианты использования
В текущей версии Agentic OD отлично обнаруживает две основные категории объектов.
Первая категория, которую мы называем «Обыденные объекты» , состоит из распространённых объектов, подобных тем, что встречаются в ImageNet и COCO. Это существительные без дополнительных определителей, например, «пепперони», «деталь пазла» и «число». Ниже приведены несколько примеров работы Agentic OD с объектами «Обыденные объекты»:
| Быстрый | пепперони | часть пазла | число |
| Изображение |  |
 |
 |
Вторая категория, которую мы называем повседневными предметами с атрибутами , расширяет предыдущую категорию, допуская дополнительные квалификаторы, такие как «желтый автомобиль» (цвет), «мобильный телефон с антенной» (владение), «горизонтальная ручка» (ориентация) и т. д. Ниже приведены некоторые примеры Agentic OD, работающего на повседневных предметах с атрибутами:
| Быстрый | желтый автомобиль | сотовый телефон с антенной | горизонтальная ручка |
| Изображение |  |
 |
 |
Сравнительная оценка
Чтобы гарантировать соответствие всех контрольных показателей нашим целевым сценариям использования, мы создали внутренний контрольный тест, используя подмножество из 100 изображений из набора данных PixMo-Points. Мы обозначили эти изображения рамками, соответствующими нескольким подсказкам. Распределение по различным атрибутам показано ниже:
| Тип атрибута | Считать | Пример |
| Только базовый объект (Найти X) |
61 | клубника |
| Часть целого (X находится внутри Y – найти X) |
5 | пустое место в картонной коробке для яиц |
| Сдерживание (X содержит Y – найти X) |
34 | сотовый телефон с антенной |
| Состояние (X в данный момент равен Y – найти X) |
16 | открытая ладонь |
| Цвет (Найти <цвет> X) |
37 | красный шлем |
| Направление (<направление> X) |
4 | горизонтальная ручка |
| Имя собственное (Найдите «Микки Маус») |
4 | Микки Маус |
| Подсчет (N из X – найти X) |
6 | стопка из двух карт |
| ОРС (X содержит <текст> – найти X) |
9 | книга Дэвида Мамета |
На основе этого набора данных мы оценили агентный OD и вычислили оценку F1. Для сравнения мы также оценили Florence-2 и OWLv2 (модели открытого множества OD), а также модели Qwen2.5-VL-7B-Instruct и GPT-4o (неагентный поток LMM).
| Подход | Категория | Отзывать | Точность | F1-оценка |
| Агент OD (LandingAI) | Агентик | 77,0% | 82,6% | 79,7% |
| Флоренция-2 (Microsoft) | Открытый набор OD | 43,4% | 36,6% | 39,7% |
| OWLv2 (Google) | Открытый набор OD | 81,0% | 29,5% | 43,2% |
| Qwen2.5-VL-7B-Инструкция (Алибаба) | ЛММ | 26,0% | 54,0% | 35,1% |
| GPT-4o (OpenAI) | ЛММ | 0% | 0% | 0% |
В целом, Agentic OD имеет наивысший показатель F1 — 79,7%. Хотя OWLv2 обладает более высокой полнотой, он значительно уступает в точности. Qwen2.5, несмотря на значительное улучшение производительности OD для LMM, всё ещё значительно уступает Agentic OD: хотя количество ящиков, как правило, верно, их местоположение полностью неверно.
Для наглядности мы также представляем прогнозы по отдельным образцам из нашего эталонного набора данных:
| Быстрый | Исходное изображение | Агент OD | Флоренция-2 |
| бегун с зеленым обувь |
 |
 |
 |
| OWLv2 | Qwen2.5-VL-7B-Instruct | ГПТ-4о | |
 |
 |
 |
| Быстрый | Исходное изображение | Агент OD | Флоренция-2 |
| пустой пространство в картонная коробка для яиц |
 |
 |
 |
| OWLv2 | Qwen2.5-VL-7B-Instruct | ГПТ-4о | |
 |
 |
 |
| Быстрый | Исходное изображение | Агент OD | Флоренция-2 |
| горизонтальный карандаш (обратите внимание, это отрицательная подсказка, так как там только ручки и карандашей нет. Правильный отвечать это вернуться ничего) |
 |
 |
 |
| OWLv2 | Qwen2.5-VL-7B-Instruct | ГПТ-4о | |
 |
 |
 |
Будущая работа
Дальнейшая работа будет направлена на повышение точности и уменьшение задержки Agentic OD. Кроме того, мы проведём более детальное исследование производительности Agentic OD при отрицательных подсказках — в случаях, когда подсказываемое изображение отсутствует на изображении (например, подсказка «клубника» на изображении черники). Такие модели, как Florence-2 и OWLv2, крайне смещены в сторону вывода чего-либо (даже если это отдаленно похоже на подсказку), и LMM также в некоторой степени страдают от этого. При повседневном тестировании Agentic OD, похоже, не сталкивается с подобной проблемой и адекватно реагирует на отрицательные подсказки.
Источник: landing.ai
