隨著人工智能技術(shù)的不斷進(jìn)步，視覺模型正在從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用，逐漸改變我們的工作和生活方式。本文將探討字節(jié)跳動最新發(fā)布的豆包1.5視覺模型如何實(shí)現(xiàn)視覺定位與計數(shù)功能，并通過實(shí)際案例展示其在圖像標(biāo)注、庫存盤點(diǎn)等場景中的應(yīng)用潛力。盡管目前仍存在一些挑戰(zhàn)，但這一技術(shù)的進(jìn)步已經(jīng)為自動化工作流程帶來了新的可能性，預(yù)示著AI在更多實(shí)際場景中的廣泛應(yīng)用前景。

算一下，一碟 15，這是吃了多少？

答：一共14盤，合計210

AI 是可以拿來做盤點(diǎn)的

方法：AI 數(shù)的，容我細(xì)細(xì)道來

字節(jié)發(fā)了新模型

今天是字節(jié)的發(fā)布會，我去了現(xiàn)場。

豆包 1.5 深度思考模型上線，200B MoE，20B 激活參數(shù)，R1 級別的性能。

豆包 1.5 深度思考模型上線

但很多人沒注意到是，伴隨這個模型的，還有個有非常趣的小玩意兒：Doubao-1.5-vision-pro。

還有個視覺理解模型

仔細(xì)看了文檔后，注意到有這樣一段：

• 視覺定位能力大幅提升：支持對單目標(biāo)、多目標(biāo)、小目標(biāo)等進(jìn)行邊界框或點(diǎn)提示進(jìn)行定位，并支持基于定位進(jìn)行計數(shù)，給出坐標(biāo)位置，或描述所定位內(nèi)容。支持 3D 定位，可基于圖像進(jìn)行深度預(yù)測、距離排序、深度比較等?？梢詮V泛用在各類巡檢等上商業(yè)化場景中。

B端产品经理的能力模型与学习提升

B端产品经理面临的第一大挑战，是如何正确的分析诊断业务问题。 这也是最难的部分，产品设计知识对这部分工作基本没有帮助，如果想做好业务分析诊断，必须具备扎实 ...

查看详情 >

這是一個小小的、但很有意義的進(jìn)步：大模型可以給圖片穩(wěn)定打標(biāo)記了

把圖交給它，讓它識別所有壽司盤的位置，輸出坐標(biāo)。

讓模型獲取坐標(biāo)

有了格式化的坐標(biāo)，只需要一個腳本就可以標(biāo)注了：設(shè)定線條長度 200，粗度 10，顏色亮青，文字字號 70，配了黑色陰影，保證在各種光線下都能看清。

標(biāo)注好的圖片

視覺思考的落地

這事兒做完我突然意識到，

這不就是很多場景下都用得上的“圖像計數(shù)”嗎？

于是，我測了幾個別的：

街頭照片，他知道路牌在哪；

獲取路標(biāo)位置

標(biāo)記好的路牌

或者拿它去標(biāo)注米老鼠的帽子。

眾所周知，初版米老鼠版權(quán)到了

你不用告訴它“那是個什么”，只要給出目標(biāo)定義或提問方式，就能獲得結(jié)果。

小任務(wù)，不小的價值

多模態(tài)這幾年卷得飛起，但真正能落地的場景并不多：AI 寫詩、拍題解題，這些看起來很炫，但離實(shí)際太遠(yuǎn)。

但我們也知道，每刻都有無數(shù)人在認(rèn)真的應(yīng)對工作：盤庫存、數(shù)元件…勞心勞力。那么，這些事情，為什么不交給 AI 呢？

在幾年前，還是 CV 當(dāng)?shù)赖臅r候，你會說：開發(fā)個 AI，可比人力貴多了。

但現(xiàn)在不同了：對著你的任務(wù)，只需要一個明確的問題，就可以拿到一份標(biāo)注好的信息

誠然，單以現(xiàn)在來看，問題也不少：

• 角度偏了、光線不均，容易漏標(biāo)；
• 目標(biāo)密集時，編號會擠在一起，看不清楚；
• 背景復(fù)雜時，有時會誤判或者漏標(biāo)。

這些問題都是可以優(yōu)化的。

質(zhì)變已經(jīng)發(fā)生了，量變只是時間問題。

那么，希望硅基大人，日后要好好打工