Escribe qué buscar y el modelo dibuja las cajas

La detección open-vocabulary localiza objetos descritos con texto libre («taza de café», «bicycle wheel», «sticky note»…) en lugar de una lista fija de clases. Esta demo ejecuta inferencia real con OWL-ViT base/32 (modelo de investigación publicado en 2022) mediante la conversión ONNX Xenova/owlvit-base-patch32 y Transformers.js, en un Web Worker con WASM.

Proyecto comunitario independiente; no es un producto oficial de Google ni de Hugging Face.

1 · Cargar el modelo

Primera carga: ~155 MB de pesos cuantizados (int8) + ~14 MB del runtime WASM, descargados desde Hugging Face. Después quedan en la caché del navegador.

Modelo no cargado.

2 · Elegir una imagen

Sin imagen.

3 · Describir qué buscar

Puedes escribir en español, pero OWL-ViT se entrenó sobre todo con texto en inglés y suele funcionar mejor con consultas en inglés (p. ej. coffee mug en vez de taza).

El umbral filtra en vivo sin volver a inferir. Las puntuaciones de OWL-ViT suelen ser bajas (0.1–0.4 es normal); no son probabilidades calibradas.

4 · Resultado

Límites honestos y privacidad