英伟达LocateAnything上手，3B模型实现单步框定位，速度提升12.7倍

近日，英伟达发布了一款名为 LocateAnything 的轻量级定位模型，这款 3B 参数的模型凭借创新的 Parallel Box Decoding（PBD）技术，在目标检测、指代定位、文字检测等多个领域实现了突破性进展。与传统的逐字生成（NTP）方式不同，LocateAnything 能够一次性输出完整的检测框，显著提升了定位效率和准确性。

核心功能与优势

这种设计使得开发者能够用一套接口完成多种定位需求，避免了传统方法需要拼接多个专业检测器的复杂性。

技术革新：从 NTP 到 PBD

传统的目标检测方法通常采用逐字生成（NTP）的方式，即依次输出检测框的四个坐标值（x1, y1, x2, y2）。这种方式存在明显的缺陷：一旦其中一个坐标值出现偏差，整个检测框就会失真。特别是在密集场景中，这种误差会被放大，导致多个目标被错误地关联或遗漏。

为了解决这一问题，LocateAnything 引入了 Parallel Box Decoding（PBD）技术。与 NTP 不同，PBD 将检测框的四个坐标视为一个整体，一次性生成完整的框。这就好比从四个人分别写一个数字变成一个人一次写完整张纸条，不仅提高了效率，还保证了框的几何关系不被打散。

为了应对可能出现的格式异常或坐标含糊情况，LocateAnything 还设计了出错重解码机制。当检测到异常时，系统会回退到上一个可靠节点，用传统的逐字模式重新生成这个框，然后继续使用并行模式。这种混合模式既保证了速度，又确保了稳定性。

三种推理模式的选择

LocateAnything 提供了三种推理模式供用户选择：

Fast（快速模式）：采用并行解码，速度最快且精度较高，适合机器人、端侧实时场景。
Slow（慢速模式）：采用逐字生成，虽然速度较慢但精度最高，适合离线标注和评测场景。
Hybrid（混合模式）：默认模式，结合了 Fast 和 Slow 的优点，在大多数场景下都能提供最佳性能。

推荐用户在没有特殊需求的情况下，默认使用 Hybrid 模式，因为它能够在速度和精度之间取得平衡。

架构与训练数据

LocateAnything 的整体架构可以分为三个部分：视觉编码器（MoonViT-SO-400M）、投影层（MLP 投影）和语言解码器（Qwen2.5-3B）。这种三段式结构清晰明了，没有复杂的花活。模型的训练数据非常丰富，包括 1200 万张图片、1.38 亿条查询和 7.85 亿个标注框。

实战上手

安装完成后，开发者可以通过简单的 API 调用来实现各种定位功能。

行业影响与未来展望

LocateAnything 的推出标志着目标定位技术的一次重大进步。相比动辄几十 B 参数的通用大模型，3B 参数的 LocateAnything 更适合中小团队部署，无需提前准备多卡集群。这将极大地降低目标定位技术的门槛，推动其在更多领域的应用。

随着人工智能技术的不断发展，目标定位作为计算机视觉的核心任务之一，将在自动驾驶、机器人、智能安防等领域发挥越来越重要的作用。LocateAnything 的高效性和易用性，无疑将加速这一进程，为行业带来新的发展机遇。