Grounding DINO Demo

Grounding DINO Demo

根据文字描述在图片里找物体，不需要固定的标签清单。这是 Grounding DINO 开放集检测器的 Gradio 演示，适合开发者和视觉研究人员。

由 merve 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的，应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这个 Space 是 Grounding DINO 的演示，它是一个开放集物体检测器。你不用从固定的类别清单里挑，而是用文字描述要找什么，模型就在图像里去找。README 把它称为官方 PyTorch 实现，并说它可以在没有 GPU 的机器上运行。

适合谁：适合想试试语言引导的物体检测的开发者和研究人员，也适合想在图片里定位东西、又不想先训练检测器的人。

行业 | 使用者 | 使用方式 | 例子
计算机视觉研究 | 研究人员 | 用一句普通的文字短语试用开放集检测 | 研究人员输入一个短语，查看模型找到了什么
软件 | 开发者 | 在把语言引导检测做进产品之前先测试它 | 开发者在几张示例图片上运行演示
数据标注 | 标注团队 | 按描述定位物体，加快标注 | 团队测试某个短语能否找到他们需要的物体
教育 | 学生 | 了解检测器如何跟着文字走，而不是固定类别 | 学生对同一张图片试不同的短语

如果你需要训练检测器，可以跳过它，因为 README 把训练代码列为尚未发布。

用在哪里：你可以在下面这些地方使用它。

• 网页浏览器，打开 Hugging Face 上这个 Space 的页面
• Windows、macOS 或 Linux 上的本地副本，用 app.py 启动
• 仓库里的命令行脚本，它也有仅 CPU 模式

使用场景 | 适合谁 | 得到什么
按短语找物体 | 任何人 | 你的短语所描述的物体的检测结果
不用 GPU 运行 | 开发者 | 仅 CPU 模式下的同一个演示
用脚本做检测 | 开发者 | 写到你传给脚本的输出位置的结果

如何设置：在线使用只需要浏览器。本地副本需要 Python 和仓库列出的软件包。

• 网页浏览器，用于在线页面
• 带 pip 的 Python，用于本地副本
• requirements.txt 里的 Python 软件包
• 如果你有 CUDA 环境，要设置 CUDA_HOME。没有 CUDA 时，代码会以仅 CPU 模式构建。

1. 打开 Hugging Face 上这个 Space 的页面即可在线使用，无需安装任何东西。
2. 想要本地副本，先安装 Hugging Face Hub 软件包。
3. 把这个 Space 的文件下载到一个文件夹并进入该文件夹。
4. 安装 Gradio 3.23.0 和 requirements.txt 里的软件包。
5. 启动应用。

pip install -U huggingface_hub
hf download merve/Grounding_DINO_demo --repo-type space --local-dir Grounding_DINO_demo
cd Grounding_DINO_demo
pip install gradio==3.23.0
pip install -r requirements.txt
python app.py

README 还给出了项目本身的这条安装命令。

pip install -e .

如何使用：打开这个 Space 的页面，给它一张图片和一个说明要找什么的文字短语，然后查看检测结果。README 自己的演示用的短语是 cat ear，末尾带一个句号。命令行脚本需要配置文件、检查点、图片、输出位置和短语。

CUDA_VISIBLE_DEVICES=6 python demo/inference_on_a_image.py \
  -c /path/to/config \
  -p /path/to/checkpoint \
  -i .asset/cats.png \
  -o "outputs/0" \
  -t "cat ear." \
  [--cpu-only] # open it for cpu mode

工具 | 作用
-c | 配置文件的路径
-p | 检查点文件的路径
-i | 输入图片
-o | 输出放到哪里
-t | 要查找的文字短语
--cpu-only | 在 CPU 上运行，适合没有 GPU 的机器

示例：你把一张猫的照片、短语 cat ear. 和输出位置 outputs/0 传给脚本。模型会在图片里找耳朵，结果写到输出位置。

新手与专家：大多数物体检测器只认识它们训练时见过的类别。这个模型读一个短短的短语，所以你可以要求找某个具体的东西。先用在线页面，配一个简单的短语和一张图片试试。

从底层看，README 把这个模型与 DINO 和 GLIP 联系在一起，并说已发布的检查点用的是 Swin-T 骨干网络。记录里还提到了 BERT 和 RoBERTa 文本模型。README 计划做把它与 Stable Diffusion 和 GLIGEN 结合的演示，但这些尚未发布。

你给出一张图片和一个文字短语
模型把短语和物体对应起来
匹配的物体被返回
仅 CPU 模式不需要 GPU 就能运行

注意事项：README 报告了这些检测分数，而且亮点里的数字与检查点清单里的数字不一致。

Title: COCO 上报告的检测分数
亮点，零样本: 52.5 AP
亮点，微调后: 63.0 AP
GroundingDINO-T，零样本: 48.4 AP
GroundingDINO-T，微调后: 57.2 AP

• 亮点说明，零样本分数来自不使用 COCO 数据的训练。
• License: apache-2。
• Cost to run: 未提及。这个 Space 使用 Hugging Face 的 cpu-basic 硬件。
• Data it reaches: 你给它的图片，以及记录里提到的、来自 Hugging Face 的模型文件。
• Not for: 训练检测器，因为 README 把训练代码列为尚未发布。

Hugging Face 上的数据（2026年11月13日）

• 点赞：126
• 构建方式：gradio
• 许可证：apache-2.0

链接

• Space：https://huggingface.co/spaces/merve/Grounding_DINO_demo
• 文件：https://huggingface.co/spaces/merve/Grounding_DINO_demo/tree/main

试用

在浏览器里打开这个 Space，或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。