https://www.knightli.com/tags/clip/ Recent content in CLIP on KnightLi的博客 Hugo -- gohugo.io zh-cn Sat, 11 Apr 2026 08:27:57 +0800 https://www.knightli.com/2026/04/11/fnos-ai-photo-model-stack/ Sat, 11 Apr 2026 08:27:57 +0800 https://www.knightli.com/2026/04/11/fnos-ai-photo-model-stack/ <p>飞牛 NAS（fnOS）的 AI 相册并不是从零自研整套算法，而是基于主流开源模型做工程化集成，用于完成人脸识别、场景识别和自然语言搜图。</p> <h2 id="1-人脸识别insightface">1) 人脸识别：InsightFace </h2><p>在人脸能力上，核心通常是 InsightFace。</p> <ul> <li>常见特征提取方法：ArcFace</li> <li>主要作用：检测人脸、提取特征向量、做人脸聚类与人物识别</li> </ul> <h2 id="2-目标检测与场景识别yolo-系列">2) 目标检测与场景识别：YOLO 系列 </h2><p>照片里的物体识别（如猫、狗、车、电脑）和部分场景理解，通常由 YOLO 系列承担（常见为 YOLOv8 或轻量化版本）。</p> <ul> <li>优点：精度与速度平衡较好</li> <li>适配场景：NAS 这类边缘设备的有限算力环境</li> </ul> <h2 id="3-语义搜索clip--chinese-clip">3) 语义搜索：CLIP / Chinese-CLIP </h2><p>飞牛相册支持用自然语言搜图，例如“草地上的小狗”“戴墨镜的男人”。</p> <p>常见实现方式是 CLIP：</p> <ul> <li>图像和文本会映射到同一向量空间</li> <li>在中文场景下，通常会结合 Chinese-CLIP 或同类中文增强方案</li> </ul> <h2 id="总结">总结 </h2><p>可以把飞牛 AI 相册理解为三层组合：</p> <ul> <li>InsightFace 负责人脸</li> <li>YOLO 负责物体与场景</li> <li>CLIP 负责人类语言到图像语义的对齐</li> </ul> <p>核心竞争力主要在工程集成、本地化能力和硬件加速优化，而不是底层模型从零训练。</p>