Licenza YOLO
Torna al glossario di Ultralytics

Large Vision Models (LVM)

I modelli visivi di grandi dimensioni sono reti per la visione artificiale con centinaia di milioni o miliardi di parametri, preaddestrate su enormi raccolte di immagini per svolgere molte attività.

Un modello visivo di grandi dimensioni (LVM) è una rete neurale per immagini e video con centinaia di milioni o miliardi di parametri, preaddestrata su milioni o miliardi di immagini affinché un unico modello possa svolgere molti compiti visivi. È la controparte visiva di un modello linguistico di grandi dimensioni e un tipo di modello fondazionale: il preaddestramento è per lo più auto-supervisionato o debolmente supervisionato e il modello risultante viene adattato a classificazione, rilevamento, segmentazione, profondità o recupero con pochi o nessun dato etichettato. La maggior parte degli LVM è costituita da Transformer per la visione, la cui accuratezza continua a migliorare con le dimensioni del modello e la quantità di dati, secondo le stesse leggi di scalabilità osservate nei modelli linguistici. Tra gli esempi noti figurano ViT-22B di Google con 22 miliardi di parametri, DINOv2 e DINOv3 di Meta e il Segment Anything Model di Meta.

Come si addestrano i modelli visivi di grandi dimensioni#

Le etichette non sono sufficienti per miliardi di immagini, quindi gli LVM apprendono principalmente dalle immagini stesse o da testi abbinati in modo approssimativo. DINOv2, pubblicato da Meta nel 2023, usa l'autodistillazione: addestra una rete studente a riprodurre gli output di un insegnante su ritagli diversi della stessa immagine. Il suo modello più grande ha 1,1 miliardi di parametri ed è stato addestrato su 142 milioni di immagini selezionate; nel 2025 DINOv3 ha ampliato la procedura fino a 7 miliardi di parametri e 1,7 miliardi di immagini. Gli autocodificatori mascherati seguono un altro approccio all'apprendimento auto-supervisionato: nascondono la maggior parte delle patch di un'immagine e addestrano il modello a ricostruirle. L'apprendimento contrastivo tra immagini e testo, come in CLIP e SigLIP, addestra un codificatore di immagini ad abbinare le didascalie e produce backbone visivi riutilizzati da molti modelli multimodali. Il Segment Anything Model di Meta ha appreso la segmentazione guidata da prompt dal dataset SA-1B, con 1,1 miliardi di maschere su 11 milioni di immagini.

Il modello che ha dato al termine il suo significato più letterale, LVM di Bai e colleghi della UC Berkeley e della Johns Hopkins nel 2023, converte immagini, fotogrammi video e annotazioni, come le maschere di segmentazione, in «frasi visive» composte da token discreti e si addestra su 420 miliardi di token con la previsione del token successivo, senza usare testo. In fase di test risolve i compiti tramite prompt visivi: forniti alcuni esempi di coppie di immagini di input e output, completa la sequenza con l'output di una nuova immagine.

Adattare gli LVM ai compiti#

Un LVM preaddestrato viene usato raramente così com'è. In assenza di dati etichettati, il modello opera zero-shot tramite i propri prompt, come i clic per SAM, oppure tramite embedding di immagini confrontati per il recupero e la deduplicazione. Con alcune etichette, il probing lineare addestra una piccola testa su caratteristiche congelate; è così che si valutano di solito le caratteristiche di DINOv2 e DINOv3 per la stima della profondità e la segmentazione. In alternativa, il perfezionamento aggiorna il backbone stesso. Se il modello deve essere usato su un telefono, una telecamera o un robot, l'LVM etichetta i dati o addestra un modello compatto tramite la distillazione della conoscenza.

La funzione auto_annotate di Ultralytics segue quest'ultimo approccio: abbina un rilevatore YOLO26 a SAM di Meta per convertire i riquadri rilevati in etichette di segmentazione con cui addestrare un modello di segmentazione più piccolo. SAM-b ha 93,7 milioni di parametri e YOLO26n-seg ne ha 2,7 milioni, circa 35 volte meno. Ultralytics Platform applica la stessa idea ai dataset di rilevamento, nei quali i modelli di visione basati sulle classi etichettano le immagini su cui viene poi addestrato un modello YOLO26.

LVM, VLM e modelli specifici per compito#

Un modello linguistico-visivo collega un codificatore visivo, spesso un LVM, a un modello linguistico per poter rispondere con testo a domande sulle immagini; un LVM da solo produce caratteristiche, maschere o immagini. I modelli specifici per compito, come le reti di rilevamento degli oggetti, sono addestrati per un singolo compito e un insieme fisso di classi, così da essere abbastanza piccoli e veloci per l'inferenza in tempo reale su dispositivi di IA edge. I modelli visivi di grandi dimensioni sacrificano questa efficienza in favore della versatilità: un backbone DINOv3 congelato è stato valutato su classificazione, rilevamento, segmentazione, stima della profondità e corrispondenza 3D; inoltre Meta ha addestrato una versione su immagini satellitari per compiti di analisi delle immagini satellitari, come la mappatura dell'altezza della chioma.

Esplora le soluzioni

La visione artificiale nello sport

La visione artificiale nello sport

Scopri come Ultralytics YOLO alimenta la computer vision nello sport con il tracciamento di giocatori e palloni, l'analisi delle prestazioni, gli approfondimenti per gli allenatori e la riabilitazione degli atleti.
Scopri di più
Computer vision per immagini aeree

Computer vision per immagini aeree

Trasforma immagini aeree e riprese da drone in informazioni utili in tempo reale per agricoltura, acquacoltura, conservazione e analisi geospaziale con Ultralytics YOLO.
Scopri di più
Computer vision nel settore aerospaziale

Computer vision nel settore aerospaziale

Applica la visione artificiale nel settore aerospaziale con Ultralytics YOLO per l'ispezione degli aeromobili, il rilevamento di FOD sulle piste, le operazioni di terra aeroportuali e il rilevamento di difetti nei materiali compositi.
Scopri di più
Visione artificiale nella sicurezza

Visione artificiale nella sicurezza

Proteggi ogni sito con i modelli Ultralytics YOLO. L'IA visiva alimenta il monitoraggio perimetrale, il rilevamento delle minacce, il riconoscimento delle targhe e la sicurezza sul lavoro.
Scopri di più
Visione artificiale nella robotica

Visione artificiale nella robotica

Dai più potenza alle macchine intelligenti con i modelli Ultralytics YOLO. Nell'ambito della robotica, l'IA visiva alimenta la navigazione autonoma, la percezione, il tracciamento degli oggetti e il controllo in tempo reale.
Scopri di più
Visione artificiale nella logistica

Visione artificiale nella logistica

Semplifica la logistica con i modelli Ultralytics YOLO. L'IA per la visione consente l'ispezione dei pacchi, la selezione, il tracciamento dei veicoli e il monitoraggio della sicurezza nei magazzini in tempo reale.
Scopri di più
Visione artificiale nel commercio al dettaglio

Visione artificiale nel commercio al dettaglio

Ripensa il commercio al dettaglio con i modelli Ultralytics YOLO. L'IA per la visione consente di tracciare le scorte, monitorare gli scaffali, gestire le code e ottenere informazioni più approfondite sui clienti.
Scopri di più
Visione artificiale in ambito sanitario

Visione artificiale in ambito sanitario

Crea soluzioni sanitarie con i modelli Ultralytics YOLO. In ambito sanitario, l'IA per la visione consente di elaborare più rapidamente le immagini mediche, migliorare la diagnostica e monitorare i pazienti.
Scopri di più
Computer vision nella produzione

Computer vision nella produzione

Ottimizza la produzione con i modelli Ultralytics YOLO. La visione basata sull'IA migliora il controllo qualità, il rilevamento dei difetti, la conformità ai requisiti sui DPI e l'automazione delle linee di assemblaggio.
Scopri di più
Computer vision nel settore automobilistico

Computer vision nel settore automobilistico

Applica la computer vision al settore automobilistico con i modelli Ultralytics YOLO. La visione basata sull'IA migliora la sicurezza stradale, i sistemi di assistenza alla guida e l'automazione dei veicoli, per strade più intelligenti.
Scopri di più
Visione artificiale in agricoltura

Visione artificiale in agricoltura

Porta l'IA visiva nell'agricoltura intelligente con i modelli Ultralytics YOLO. Gestisci il monitoraggio delle colture, il tracciamento del bestiame e l'agricoltura di precisione per ottenere raccolti più abbondanti e intelligenti.
Scopri di più

Costruiamo insieme il futuro dell'IA!

Inizia il tuo percorso verso il futuro del machine learning