Recognize Anything是一种新的图像标记基础模型，与传统模型不同，它不依赖于手动注释进行训练;相反，它利用大规模的图像-文本对。RAM的开发过程包括四个关键阶段:
- 通过自动文本语义解析获得大规模的无标注图像标签。
- 结合标题和标注任务，训练一个自动标注的初步模型。该模型由原始文本和解析后的标签进行监督。
- 利用数据引擎创建额外的注释并纠正不正确的注释。
- 用处理过的数据重新训练模型，并使用更小但质量更高的数据集对其进行微调。
RAM在多个基准测试中表现出令人印象深刻的零样本性能，并且优于CLIP和BLIP。它的性能甚至超过了完全监督的方法。
https://avoid.overfit.cn/post/a8e9304fa5be47f7867aa10e267e0afb