# Detekcja obiektów opisanych tekstem

EN: **Open-vocabulary object detection** · id `openvocabdetection`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Widzenie komputerowe](https://aiatlasgraph.com/t/visionnode.md) › [Detekcja obiektów](https://aiatlasgraph.com/t/objectdetection.md) › Detekcja obiektów opisanych tekstem

## Description

- PL: Wykrywanie obiektów wskazanych nazwą lub opisem w języku naturalnym, bez ograniczenia do jednej zamkniętej listy klas; obejmuje generalizację zero-shot do nowych kategorii.
- EN: Detecting objects queried by names or natural-language descriptions rather than one fixed closed label set; includes zero-shot generalisation to new categories.

## In one sentence

- PL: To szukanie na obrazie rzeczy, które wskażesz nazwą lub opisem słownym.
- EN: This searches images for things you specify with a name or written description.

## Problem it solves

- PL: Detektor ze stałą listą kategorii nie potrafi przyjąć każdej nowej nazwy przedmiotu, którego właśnie szukasz.
- EN: A detector with fixed categories cannot accept every new object name you want to search for.

## What it does

- PL: Model zestawia opis z cechami obrazu i zaznacza pasujące obszary, korzystając z wcześniej poznanych powiązań obrazu i języka.
- EN: A model matches a description to image features and marks corresponding regions using previously learned links between images and language.

## Everyday example

- PL: Wpisujesz „czerwony plecak”, a program zaznacza go na zdjęciu zatłoczonego pokoju.
- EN: You type “red backpack”, and software marks it in a photo of a crowded room.

## This concerns you if you…

- PL: szukasz obiektów opisanych zwykłymi słowami
- PL: często zmieniasz listę rzeczy do wykrycia
- EN: search for objects described in everyday words
- EN: often change the list of things to detect

## Keywords

Grounding DINO · OWL-ViT · text-conditioned detection · referring expression comprehension · phrase grounding

## How it works

- PL: Enkodery języka i obrazu łączą opis kategorii z cechami regionów. Dopasowanie między modalnościami warunkuje wybór kandydatów i predykcję ramek, zamiast ograniczać wynik do stałej głowicy klas.
- EN: Language and image encoders connect category descriptions with region features. Cross-modal matching conditions candidate selection and box prediction instead of restricting outputs to a fixed class head.

## Limits

- PL: Nowa nazwa nie gwarantuje rozpoznania nieznanego obiektu. Wieloznaczne opisy, relacje przestrzenne i różnice między treningiem a sceną wymagają niezależnej oceny.
- EN: A new name does not guarantee recognising an unfamiliar object. Ambiguous descriptions, spatial relationships and training–scene differences require independent evaluation.

## Key terms

- PL: **grounding**: Powiązanie wyrażenia językowego z odpowiednim fragmentem obrazu.
- PL: **otwarty słownik**: Kategorie zadawane opisem zamiast wyłącznie stałą listą etykiet.
- EN: **grounding**: Linking a language expression to the corresponding image region.
- EN: **open vocabulary**: Categories supplied through descriptions rather than solely fixed label lists.

## Know first

- [Wspólna przestrzeń obraz–tekst (CLIP) (Contrastive image–text pretraining (CLIP))](https://aiatlasgraph.com/t/clipcontrastive.md)
- [Tokenizacja tekstu (BPE, WordPiece, SentencePiece) (Text tokenisation (BPE, WordPiece, SentencePiece))](https://aiatlasgraph.com/t/tokenization.md)

## Examples

- PL: Grounding DINO · OWL-ViT · referring expressions

## Related topics

Untyped, symmetric "see also" links.

- [Wskazywanie na obrazie rzeczy opisanej słowami (visual grounding) (Visual grounding (referring expression comprehension))](https://aiatlasgraph.com/t/visualgrounding.md)
- [Wspólna przestrzeń obraz–tekst (CLIP) (Contrastive image–text pretraining (CLIP))](https://aiatlasgraph.com/t/clipcontrastive.md)

## Sources

- [SAM 3: Segment Anything with Concepts](<https://arxiv.org/abs/2511.16719>) `carion-sam3-2025` · by Nicolas Carion, Laura Gustafson, Yuan-Ting Hu, Shoubhik Debnath, Ronghang Hu i in. (Meta)
- [Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection](<https://arxiv.org/abs/2303.05499>) `liu-grounding-dino-2023` · by Shilong Liu, Zhaoyang Zeng, Tianhe Ren, Feng Li, Hao Zhang i in.

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/openvocabdetection · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30