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
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
- Tus imágenes no salen del navegador. Se decodifican localmente y no se suben ni se guardan. La única red es la descarga del modelo y del runtime desde Hugging Face (como cualquier descarga web genera metadatos habituales: IP, user-agent). Eso no es telemetría de tus imágenes.
- Puede omitir objetos o dar falsos positivos; el umbral importa mucho. Objetos pequeños o poco comunes fallan más.
- No es un sistema de seguridad, vigilancia, conteo certificado ni identificación biométrica. No lo uses para identificar personas.
- La imagen se reduce a ≤1280 px de lado largo; el procesador del modelo la redimensiona a 768×768 internamente (se deforma la proporción).
- Una inferencia a la vez (en WASM monohilo, unos segundos por imagen según el equipo). Detecciones cerca del umbral pueden variar ligeramente entre ejecuciones/navegadores. Requiere ~1 GB de RAM libre aprox. en el navegador; en móviles modestos puede fallar por memoria.
- WebGPU es opcional y experimental: con este modelo y runtime puede no funcionar; si falla se usa WASM/CPU automáticamente.