《计算机视觉度量：从特征描述到深度学习》-- 大模型特征提取到特征检索

        本周是2025年8月的最后一个周，进入2024年以后，大模型技术的发展可以用一日千里来形容。各种大模型的出现，文字，视频，图片，语音等等。衍生出针对不同行业和不同场景的大模型方案。同样，博主也逐渐开始针对工业检测领域，开发行业大模型。距离上次的博客和模型更新已经过去了快半年，主要原因是博主工作生活太忙。最近利用下班时间，做一些更新。预告博主会在近期，发布针对工业检测7B的大模型软件，之前1.5B的模型继续保留，建议大家更新后切换成更大的模型方案，效果提升明显。

        本次更新主要对最近大模型的开发，做一些总结。

第一点：大模型的知识储备>单个人工的知识储备

第二点：大模型对数据的特征提取能力>人类已知的数据特征提取方法

第三点：目前人工对所有模型的使用，还停留的数据检索阶段

        以上三点的支撑，主要基于个人开发过程中遇到的问题，并解决问题，做出的一些总结。有一定的引导意义，但是不一定绝对。从2017年深度学习方法被大家知晓以后，模型经历了，卷积网络，深度卷积网络，大模型。三个不同的阶段，技术一致在朝更大更深的网络结构发展。是为了让模型有更加深的数据理解能力，从而提取更加精准的数据特征。

        同样在技术发展过程中，应用也在不断的跟进。工业行业比较多的是分类，分割，和目标检测。这些方法都有一个共性方法，就是微调。

 微调：微调的本质是，基于大数据训练和总结的预训练模型，修改部分权重参数的，完成对单一行业的模型定制。在很多实践的验证下，不用修改预训练模型的权重，在预训练模型后端加入一个回归的小模型，效果提升更明显。这也体现出模型的结果输出，实际上是一种特征检索，把图片数据转化为特征数据，并针对不同特征，输出不同的结果。同样反之，如果不同的数据，拥有同样的特征，那输出的结果也会一样。

        从这个特征检索角度理解大模型原理，就会简单很多。大模型针对的是更大的数据训练和更强的特征提取能力。但是针对个人和深入行业的使用，不可能进行微调。但是可以做到特征检索。

特征检索：特征检索的使用和开发，目前已经普遍，也是大模型使用过程很重要的应用方法。例如我们日常中和GPT的聊天。包括各种关键词引导，还有Anget,RAG等技术。都是通过模型对数据特征的二次检索整合才完成准确的输出。同样在大模型开发过程中，特征检索会替代微调方案，进入到生产和生活中。采用特征检索会更加灵活，时效性会更高，同样也更容易让人理解。想了解具体的内容，可以在DY或者SPH上搜索‘军哥讲视觉’，查看工业大模型的演示效果。

        最后期待工业大模型新版本的发布，也欢迎大家反馈问题