监督训练何时才有益？视觉语言模型时代目标检测的隐藏经济学
计算机视觉与模式识别
2025-10-21 v2 人工智能
机器学习
摘要
目标检测传统上依赖于高成本的手动标注。我们首次进行监督 YOLO 和零样本视觉语言模型（Gemini Flash 2.5 和 GPT-4）的全面成本效益分析。评估在 5000 张分层抽样的 COCO 图像和 500 张多样化产品图像上进行，并结合总拥有成本（TCO）建模，推导出架构选择的盈亏平衡阈值。结果显示，监督 YOLO 在标准类别上达到 91.2% 的准确率，而 Gemini 和 GPT-4 分别为 68.5% 和 71.3%；100 类别系统的标注费用为 10,800 美元，准确率优势仅在超过 5500 万次推理后才显现（每年 15.1 万张图像每天）。在多样化产品类别上，Gemini 实现 52.3%，GPT-4 55.1%，而监督 YOLO 无法检测未训练的类别。按 10 万次推理计算，Gemini 和 GPT-4 的正确检测成本分别为 0.00050 美元和 0.00067 美元，而 YOLO 为 0.143 美元。我们提供决策框架，表明最优架构选择取决于推理量、类别稳定性、预算和准确率要求。
引用
@article{arxiv.2510.11302,
title = {When Does Supervised Training Pay Off? The Hidden Economics of Object Detection in the Era of Vision-Language Models},
author = {Samer Al-Hamadani},
journal= {arXiv preprint arXiv:2510.11302},
year = {2025}
}
备注
30 pages, 12 figures, 4 tables