开放词汇能做工业质检吗？YOLO-World / OWL-v2 在金属件与真实场景上的对照

工业质检 · 开放词汇实测

开放词汇能做工业质检吗？

YOLO-World / OWL-v2 在金属件与真实场景上的对照

3 模型 · 9 张图 · RTX 5060 Ti · conf≥0.10 · 2026.07

前两篇把视觉几何跑通了：匹配、深度、点云。这一篇换方向——工业质检最朴素的第一步：用文本提示把目标框出来。

听起来很美：不用标注，写一句 metal bar，模型就该找到金属条。我们在同一块消费卡上，用 YOLO-Worldv2-S/M 和 OWL-v2-Base 实测了一组金属件 + 真实场景图。

结论：开放词汇检测在自然场景上已经很好用；但在光秃秃的工业金属件上，三个主流模型全部 0 命中。瓶颈不是显卡，是领域鸿沟。

一、我们在测什么

工业视觉里，「定位」往往先于「判缺陷」。开放词汇（open-vocabulary）承诺：写文本提示就能出框，无需为每个零件重训检测头。

写对提示词，能不能稳定框住金属条？

二、实验设置

三、速度与显存

图 1 · 三模型推理耗时与峰值显存

三个模型都在 230ms 上下、不到 1GB 显存。消费卡完全不是限制——真正的鸿沟在数据域。

四、命中率：场景满分，金属零分

图 2 · 金属件 vs 场景 hit rate（conf≥0.10）

这张图几乎不需要解释：绿色全满，红色全空。不是某一个模型的偶然失手，而是三类开放词汇检测器的系统性行为。

五、真实可视化

5.1 场景：模型是好的

图 3 · bike · YOLO-World-M：person / bicycle / hand 都能出框

图 4 · building · YOLO-World-M：人物、长椅等可检出（雕像被当成 person 是开放词汇的典型误检）

图 5 · fire_academy · YOLO-World-M

5.2 金属件：三个模型都是空白

图 6 · metal template · YOLO-World-M：提示 metal bar / steel bar，框数为 0

图 7 · metal 遮挡 · YOLO-World-M

图 8 · metal template · OWL-v2：同样失败（最高分约 0.01，远低于阈值）

图 9 · 检测总览

六、为什么金属件会全灭

预训练域不匹配

开放词汇主粮是网络图 / COCO 语义；光秃金属件、均匀背景、工业纹理很少进语料。

提示词不等于零件本体

metal bar 在互联网里多是工地圆钢、健身杠；你的零件是带槽孔铭牌式条料，视觉原型不对齐。

不是阈值调太高

我们从 0.01 起收，金属上峰值置信度经常 <0.05；场景上 0.6–0.8 很常见。

七、对工业落地的建议

场景类目标：可以直接用

人、车、工具、箱体、标识牌等——开放词汇已经够做第一版定位。

专用金属件：不要裸奔开放词汇

需要小样本微调、模板匹配、或几何线（你已有的 RoMa/UFM 定位）做 primaries。

更合理的产线架构

开放词汇做「粗分类/场景元素」→ 专用检测或匹配做「零件本体」→ 深度/点云做「三维量测」。

八、结语

这篇测评的价值，不在于「又跑通了三个模型」，而在于用负结果钉死一件事：

开放词汇 ≠ 开箱即用的工业定位。

场景元素可以靠 YOLO-World / OWL 快速起盘；专用金属件仍要回到模板、小样本微调，或你已经掌握的几何匹配链路。

算力在 2026 年的消费卡上已经过剩；缺的是领域对齐。

INDUSTRIAL INSPECTION · OPEN VOCAB

场景能用 · 金属件不能裸奔

数据与图片均为实测