这是一个创建于 65 天前的主题，其中的信息可能已经有所发展或是发生改变。
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 4 月 2 日 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 4 月 2 日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 4 月 2 日对延迟敏感的不会用；不敏感的会用； |
 |
4 stinkytofux 4 月 2 日标注必须准确 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 4 月 2 日yolo 快，训练数据量上来，准确度提升 |
 |
6 timeance 4 月 2 日工业检测不会，最多用大模型来辅助识别小模型；常见的两个场景是 |
 |
7 DigitalG 4 月 2 日做过类似的尝试，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 |
 |
9 visper 4 月 2 日yolo 快啊。 |
 |
10 monstericeer 4 月 2 日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。 |
 |
16 Maroontor 4 月 2 日借楼问下，针对材料识别的你们用 ocr 还是 vl 啊 |
|
18 DigitalG 4 月 2 日 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 4 月 2 日这个没必要 VL 吧 简单模型效果好 VL 太重了 宣传大于实际 |
 |
21 cairnechen 4 月 2 日@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 4 月 2 日用的，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。 |
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。
