YOLOe问世，实时观察一切，统一开放物体检测和分割

它能像人眼一样，在文本、视觉输入和无提示范式等不同机制下进行检测和分割。

自 2015 年由华盛顿大学的 Joseph Redmon 研究团队提出 YOLO（You Only Look Once）以来，这项突破性的目标检测技术就像为机器装上了「闪电之眼」，凭借单次推理的实时性能刷新了计算机视觉的认知边界。

传统的 YOLO 系列如同我们人工效准的精密仪器，其识别能力被严格框定在预定义的类别目录之中，每个检测框的背后，都需要工程师手动输入认知词典。这种预设规则在开放场景中限制了视觉模型的灵活性。

但是在万物互联的时代，行业迫切需要更接近人类视觉的认知范式 —— 不需要预先设定先验知识，却能通过多模态提示理解大千世界。那么如何通过视觉模型来实现这一目标呢？

近来，研究者们积极探索让模型泛化至开放提示的方法，力图让模型拥有如同人眼般的强大能力。不管是面对文本提示、视觉提示，甚至在无提示的情况下，模型都能借助区域级视觉语言预训练，实现对任意类别的精准识别。

• 论文标题：YOLOE:Real-Time Seeing Anything
• 论文地址：https://arxiv.org/abs/2503.07465
• 技术展示页：