NVIDIAがLocateAnythingを発表：指示文1つで物体検出、処理速度は最大10倍

マルチモーダル AI に画像内の特定物体を探させようとした経験があるなら、そのもどかしさに共感できるはずです。指示の意味は理解できても、実際に枠線（バウンディングボックス）を出力する速度は驚くほど遅いのが現状でした。

従来の視覚言語モデル（VLM）は、2次元の枠線を複数の座標トークンに分解し、1語ずつテキストを生成するように順次処理していました。この方式では座標同士の幾何学的整合性が損なわれやすく、密集した物体の検出では推論のボトルネックになっていました。

NVIDIA の研究チームは新たな視覚位置特定フレームワーク「LocateAnything」を発表しました。テキスト指示から即座に対象物を特定・切り出す仕組みで、密集物体検出の処理速度を最大 10 倍に高速化します。

枠線を単一ステップで並列デコードする

LocateAnything の最大の革新は「並列ボックスデコード（PBD）」の導入です。矩形枠や特定ポイントをばらばらのトークンとして処理するのではなく、独立した幾何学的アトム（最小単位）として単一ステップでまとめてデコードします。

このアプローチにより、枠線内の幾何学的整合性を保ちながら並列計算の恩恵を最大限に引き出すことが可能になりました。ベースモデルには Qwen2.5-3B と Moon-ViT の組み合わせを採用し、高速モード、低速モード、ハイブリッドモードを柔軟に使い分けられます。

さらにチームは、1.38 億件を超える学習サンプルで構成されるデータセット「LocateAnything-Data」を構築しました。大量かつ多様なデータで鍛え上げられた結果、圧倒的なデコード速度を達成しつつ、高 IoU（重なり度）の評価指標でも優れた位置特定精度を記録しています。

なぜ重要か

LocateAnything は、視覚 AI が実世界のタスクへ進出するうえで長年放置されてきた弱点を的確に突いていると私たちは考えます。

これまで、ロボット視覚や自動データラベリング、画像検索などの現場では、VLM による物体位置の特定に時間がかかりすぎることが実用化の壁になっていました。2次元空間の幾何情報を無理やりテキストの順次生成に変換する手法には限界があったといえます。

自然言語の指示から瞬時に対象を枠で囲んで切り取れ、密集環境でも 10 倍の速度が出るとなれば、開発現場のラベリング効率やロボットの把握精度は大きく向上します。3B クラスの比較的軽量な構成であることも、エッジ展開を現実的なものにする賢い選択肢と言えるでしょう。