Grounding DINO 和 LocateAnything，该怎么选？

最近深入体验了一下 LocateAnything 和 Grounding DINO。

这两种方案都可以解决开放词汇目标检测的问题。比如，我们想在一张图片中找到篮球的位置，只需要告诉模型要找“篮球”，不需要专门针对篮球重新训练一个目标检测模型。

经过一段时间的测试，我发现这两种方案基本都能满足我的需求：在一张图片中识别并定位篮球。

那么，这两种方案应该怎么选？

如果检测目标相对简单，而且比较在意处理速度，我会更推荐 Grounding DINO。

因为对于篮球这类相对明确的目标，两者都能够完成检测，但 Grounding DINO 的速度明显更快。

例如，在我的测试环境中，对一张 960 分辨率的图片进行检测，Grounding DINO 大约需要 500 毫秒，而 LocateAnything 大约需要 12 秒。

两者在速度上的差距非常明显。

但如果你对处理时间没有那么敏感，同时检测的目标比较小，或者存在明显遮挡，那么 LocateAnything 会更有优势。

经过多次测试，我发现，在小目标和遮挡目标的定位能力上，LocateAnything 的表现整体要比 Grounding DINO 更稳定一些。

所以简单总结：

追求速度、目标比较明确：优先考虑 Grounding DINO。

目标较小、遮挡较多，对速度要求不高：可以考虑 LocateAnything。

以上是我实际测试下来的一些体验，希望对正在选择这两种方案的人有所帮助。