GitHub 上一个强大的图像标记基础模型：Recognize Anything Model (RAM)。

RAM 采用一种新的图像标记范例，可高精度地识别任何常见类别，并利用大规模图像文本对进行训练，而不是手动注释。

GitHub: https://github.com/xinyu1205/Recognize_Anything-Tag2Text

RAM 的开发包括四个关键步骤：

1. 通过自动文本语义解析大规模获取无注释图像标签；

2. 使用统一标题和标记任务，训练初步模型进行自动注释，分别由原始文本和解析标签监督；

3. 利用数据引擎生成额外注释并清除不正确的注释；

4. 利用处理后的数据对模型进行再训练，并使用更小但质量更高的数据集进行微调。

经过众多基准测试评估，RAM 的标记能力颇为优秀，效果明显优于 CLIP 和 BLIP。值得注意的是，RAM 甚至超越了完全监督的方式，甚至可媲美 Google API。

https://weibo.com/5722964389/N4n1FdB8q