LocateAnything(ロケートエニシング)とは
LocateAnythingとは、画像の中から言葉で指定した対象を探し、その位置を枠や点で返すNVIDIAの視覚言語モデルです。文書、操作画面、自然画像などで別々だった「どこにあるか」の検出を、一つのモデルで扱うことを目指しています。
英語表記：LocateAnything
画像と言葉を位置情報へ結び付ける
2026年5月26日に、約30億パラメータの研究モデルLocateAnything-3Bが公開されました。パラメータはAI内部の調整値です。「請求書の合計欄」「画面の保存ボタン」「棚の赤い箱」のような指示と画像を受け取り、該当箇所の座標を返します。
対象は、一般的な物体検出だけではありません。文書レイアウト、OCRで読む文字の場所、画面上のボタンや入力欄といったGUIの部品、密集した複数物体まで含みます。人が目で探してから指差す工程を、後続の文書処理や画面操作へ渡せる形に変える役割です。
位置が分かることと業務が完了することは別
活用候補には、帳票項目の抽出補助、画面操作エージェント、画像への自動ラベル付け、ロボットの視覚などがあります。では、枠さえ出れば業務は完了するのでしょうか。実際には、対象の意味や次の操作が正しいとは限りません。似たボタン、細かな文字、解像度の違い、対象がない画像を含めて誤検出と見逃しを測ります。
2026年8月12日時点の公開モデルは研究開発専用で、学術・非営利研究に限るライセンスです。NVIDIAと関係会社を除く商用利用は認められていません。事業で使う場合は性能だけでなく、利用許諾と入力画像の権利を先に確認します。
Topic四つの座標を一枚の住所票のようにまとめて出す
画像内の枠は、左上と右下など複数の座標の組み合わせです。Parallel Box Decodingは、それらを数字の列として一つずつ書くのではなく、一つの枠としてまとめて予測します。住所を一文字ずつ書くより、一枚の住所票をまとめて出す感覚に近いといえるでしょう。
LocateAnythingに関するよくある質問
- LocateAnythingのFast、Slow、Hybridはどう使い分けますか？
- Fastは枠を並列に予測し、Slowは座標を順に生成します。Hybridは並列方式を基本にし、形式の乱れや空間的な曖昧さがある場合に逐次方式へ切り替えます。
- LocateAnythingは対象が画像にない場合も枠を返しますか？
- 誤って枠を返す可能性はあります。導入評価では対象がある画像だけでなく、対象がない画像も混ぜ、誤検出と見逃しを別々に測ります。
- LocateAnythingへ入力する画像で注意することは何ですか？
- 人物、健康情報、著作物などが写る場合は、利用権限と個人情報の扱いを確認します。モデルへの入力後に画像やログがどこへ保存されるかも実行環境ごとに点検してください。
