支持模型介绍

Mask R-CNN在 Faster R-CNN 检测框架上增加并行掩码分支，并以 RoIAlign 保持空间对齐，可同时输出实例类别、位置和像素级轮廓。代表性参数规模为约 44M（R50-FPN 代表配置），性能定位是实例边界稳定，精度高但实时性有限。

来源

Facebook AI Research，2017

适用

多个独立目标、零件轮廓、实例级缺陷面积统计

U-Net利用对称编码器和解码器提取上下文，并通过跳跃连接恢复高分辨率细节，结构直观且在小规模像素标注数据上容易建立基线。代表性参数规模为约 7M–31M（依通道数与骨干而变），性能定位是少样本下易训练，结构简单稳定。适合连续缺陷区域、焊缝与裂纹分割和小样本像素分类。

来源

University of Freiburg，2015

适用

连续缺陷区域、焊缝、表面纹理与医学图像分割

DeepLabV3+以空洞空间金字塔池化捕获不同尺度上下文，再通过轻量解码器恢复边界细节，适合目标尺寸差异明显的语义分割场景。代表性参数规模为约 26M–60M（取决于骨干），性能定位是多尺度上下文和边界细节兼顾。适合大幅面表面分割、道路与场景解析和多尺度缺陷区域。

来源

Google，2018

适用

大幅面区域、复杂尺度、道路与工业表面语义分割

SAM由图像编码器、提示编码器和轻量掩码解码器组成，可通过点、框或粗掩码分割未预定义类别目标，特别适合辅助数据标注。代表性参数规模为约 91M/308M/636M（ViT-B/L/H），性能定位是开放对象泛化强，适合交互标注而非固定类别判定。适合交互式辅助标注、通用对象抠图和快速生成候选掩码。

来源

Meta AI，2023

适用

交互式标注、通用对象分割、减少多边形描边工作量

SAM 2把图像视为单帧视频，并通过流式记忆机制在连续帧间传播目标信息，实现统一的图像与视频可提示分割和交互式修正。代表性参数规模为约 38.9M–224.4M（tiny 至 large），性能定位是视频掩码传播高效，交互体验优于第一代。适合视频数据标注、连续帧目标分割和交互式跟踪修正。

来源

Meta AI，2024

适用

视频标注、目标跟踪式分割、连续帧数据生产

YOLO Seg在 YOLO 检测骨干与特征融合基础上增加原型掩码和实例系数预测，以较低额外开销同时完成目标检测和实例轮廓输出。代表性参数规模为约 3M–72M（随 YOLO 版本与尺度变化），性能定位是实时性好，检测与分割部署链路统一。

来源

Ultralytics

适用

实时轮廓检测、边缘推理、与 YOLO 检测项目统一维护

PaddleOCR集成文本检测、方向分类、文本识别、版面分析和文档理解组件，可按语言、精度和算力自由组合，中文资料与工程部署能力完整。代表性参数规模为约 3M–100M+（按检测、识别和文档组件组合），性能定位是中文与多语言覆盖完整，轻量方案部署效率高。

来源

百度飞桨

适用

铭牌、标签、包装字符、仪表与文档识别

DBNet + CRNN由 DBNet 通过可微二值化定位任意形状文本区域，再由 CRNN 使用卷积、序列建模和 CTC 解码识别字符，适合模块化定制 OCR 流程。代表性参数规模为约 35M–45M（R50-DBNet 加常见 CRNN），性能定位是组件边界清晰，便于独立替换和领域微调。

来源

学术开源模型 / OpenMMLab 实现生态

适用

规则或弯曲文本框定位、工业字符识别、定制字库

YOLO Pose在 YOLO 实例检测基础上增加关键点回归头，一次前向同时定位对象和骨骼点，延续统一的数据、训练、验证与模型导出工具链。代表性参数规模为约 3M–69M（随 YOLO 版本与尺度变化），性能定位是实时性强，检测和姿态输出链路统一。适合工位动作分析、人体姿态估计和零件装配关键点定位。

来源

Ultralytics

适用

人体姿态、工位动作、零件定位点与装配关键点

RTMPose采用 RTMCC 坐标分类表示与高效卷积骨干，在较低参数量下兼顾实时推理和关键点定位精度，并支持人体、动物和自定义对象姿态。代表性参数规模为约 5.5M–27.7M（S 至 L 常见配置），性能定位是参数效率高，速度与关键点精度平衡优秀。

来源

OpenMMLab，2023

适用

人体/动物关键点、行为分析、工业对象姿态点定位

DINOv2通过教师—学生式自监督预训练从大规模图像中学习通用视觉表征，不依赖文本配对，输出特征可用于检索、聚类和多种下游任务。代表性参数规模为约 22M/86M/300M/1.1B（S/B/L/G），性能定位是无需标签即可获得强泛化特征，下游适配能力高。

来源

Meta AI，2023

适用

相似图检索、聚类、少样本分类、异常样本筛选

CLIP通过大规模图文对比学习把图像和文本映射到同一向量空间，可直接根据文本类别完成零样本分类、语义检索和开放词汇数据筛选。代表性参数规模为约 102M–428M（RN50 至 ViT-L/14 常见配置），性能定位是零样本语义迁移强，细粒度工业判定需适配。

来源

OpenAI，2021

适用

文本搜图、零样本分类、数据清洗与开放词汇预筛

OpenCLIP复现并扩展 CLIP 式图文对比训练，提供多种 ViT、ConvNeXt 骨干和开放数据权重，便于比较训练数据、模型规模与领域适应方案。代表性参数规模为约 60M 至数十亿（随骨干而变），性能定位是模型和权重选择丰富，性能跨度大。适合私有化图文检索、多权重基准评估和领域图文模型研究。

来源

ML Foundations

适用

私有化图文检索、权重对比、领域数据微调研究

Depth Anything利用大规模无标注图像和教师模型产生的深度监督学习通用单目深度表征，在多种自然场景中具有较强的零样本泛化能力。代表性参数规模为约 24.8M/97.5M/335M（Small/Base/Large），性能定位是跨场景泛化强，边界与结构细节较好。

来源

Lihe Yang 等，2024

适用

单目场景层次、辅助测量研究、空间关系预分析

MiDaS通过混合多个深度数据集训练并处理不同深度尺度，使模型在未知场景中保持相对深度排序能力，提供轻量 CNN 到 DPT 大模型多种配置。代表性参数规模为约 21M–344M（Small 至 DPT-Large），性能定位是跨数据集稳定，模型选择和兼容资料丰富。

来源

Intel ISL

适用

空间层次分析、三维效果预估、缺少深度传感器的辅助任务