这一直是我的经历。基础模型彻底改变了机器学习的游戏规则。以前，公司可能需要雇佣熟悉机器学习训练、架构等的机器学习工程师才能获得一般的结果。现在，公司只需雇佣熟悉基础模型API的普通软件工程师就能获得出色的结果。在某些方面这很令人遗憾，但结果比我们以前取得的要好得多。我的例子是一个图像分割模型。我设法创建了一个包含10万张以上的图像的数据集，并在上面训练UNets和其他高级模型，总是达到良好的验证损失，但我的数据显然不够多样化，在实际部署中遇到了很多问题，数据分布每天都在变化。然后，我尝试了Meta的DINO v2，在4张图像上进行微调，它解决了问题，能够处理所有光照变化等，准确率远高于我之前达到的水平。这很合理，DINO是在1亿多张图像上训练的，我永远无法与之竞争。
源讨论我们如何使用GPT-4o进行图像检测，涉及350张类似的插图原帖 90 条评论 · 导入时统计把你的经验，加入这段讨论。
DINO 或者其他模型能否用于识别网页表单和/或 PDF 表单和/或桌面应用程序中的可填写表单字段？ 或者它可能只适用于现实世界的照片和卡通之类的东西？
完整原文> 这种趋势逆转的唯一方法，是计算变得如此便宜和普遍，以至于每个人都能达到必要的规模。 我们仍然需要1000万+张带有准确标签的图像。这项工作可以集体完成并开源，但必须得到维护等等。我认为这不会很容易。
完整原文只有4张图片？见鬼了。我至少需要处理上百张。我想这取决于分割的复杂程度。
完整原文这正是我在一个预测性维护项目中作为机器学习工程师的经历。我们在卡车的视频流中检测损坏的交通标志；首先你进行分割，然后进行分类。 将所有"感兴趣的对象"直接扔进 DINOv2 并在上面运行一个廉价的分类器，这彻底改变了我们的工作方式。
完整原文我很久没有比较图像模型了，所以我不了解相关的性能指标。但即使几年前，通常你会使用预训练的模型，然后在自己的数据集上进行微调。所以这些模型也会“见过数百万张图像”，而不仅仅是你的10万张。 在我看来，这种不需要机器学习工程师的变化，更多是关于如何微调模型的简单API访问，而不是模型本身？ 当然，模型的进步和变得更好、更稳健是很好的。
完整原文像DINO、GroundingDINO、SAM（以及这些模型的最新版本）都非常了不起。我认为这个领域的进步被忽视了，因为有LLM的存在，它们对终端用户来说不太友好，但相比我以前用过的，它们要好太多了。 我几乎在短时间内就完成了一个分割和分类器的演示，因为它们给了我根据文本描述快速的分割结果，然后我用这些结果训练了一个YOLO模型。
完整原文尊重不同观点，分享具体经验。
登录后即可发帖、评论、转发和引用。