NVIDIA открыла исходный код модели визуальной локализации LocateAnything-3B. Модель находит объекты даже в плотных сценах. Например, на изображении с десятками миньонов, стоящих вплотную, она корректно выделяет каждого отдельной рамкой. Главное отличие — способ генерации рамок. Обычно координаты (`x1`, `y1`, `x2`, `y2`) предсказываются последовательно, цифра за цифрой. Это замедляет работу, а ошибки на ранних этапах влияют на последующие координаты, особенно при большом количестве объектов. LocateAnything-3B использует параллельное декодирование: модель сразу предсказывает готовые рамки целиком, а не строит их поэтапно. Это делает детекцию стабильнее, особенно в сценах с множеством объектов. Для обучения использовались не только классические датасеты для распознавания объектов, но и данные для распознавания интерфейсов, OCR и анализа структуры документов. Поэтому модель находит как реальные объекты, так и элементы пользовательского интерфейса и текстовые области. Борьба с БПЛА может выйти на новый уровень!? tg / max