监督训练何时划算？视觉语言模型时代目标检测的隐性经济学
When Does Supervised Training Pay Off? The Hidden Economics of Object Detection in the Era of Vision-Language Models
AI总结：
该研究通过 COCO 与产品图像实验及总拥有成本建模，比较监督式 YOLO 与零样本 Gemini、GPT-4，给出目标检测架构选择的盈亏平衡阈值。
摘要：
传统目标检测依赖昂贵的人工标注。我们提出首个综合成本效益分析，比较监督式 YOLO 与零样本视觉语言模型（Gemini Flash 2.5 和 GPT-4）。在 5,000 张分层 COCO 图像和 500 张多样化产品图像上进行评估，并结合总拥有成本建模，我们得出架构选择的盈亏平衡阈值。结果显示，在标准类别上，监督式 YOLO 达到 91.2% 的准确率，而 Gemini 和 GPT-4 分别为 68.5% 和 71.3%；一个 100 类别系统的标注费用为 10,800 美元，且其准确率优势只有在超过 5,500 万次推理（一年内每天 151,000 张图像）后才划算。在多样化产品类别上，Gemini 达到 52.3%，GPT-4 达到 55.1%，而监督式 YOLO 无法检测未经训练的类别。在 100,000 次推理时，每次正确检测成本方面 Gemini（0.00050 美元）和 GPT-4（0.00067 美元）优于 YOLO（0.143 美元）。我们提供决策框架，表明最优架构选择取决于推理量、类别稳定性、预算和准确率要求。
英文摘要：
Object detection traditionally relies on costly manual annotation. We present the first comprehensive cost-effectiveness analysis comparing supervised YOLO and zero-shot vision-language models (Gemini Flash 2.5 and GPT-4). Evaluated on 5,000 stratified COCO images and 500 diverse product images, combined with Total Cost of Ownership modeling, we derive break-even thresholds for architecture selection. Results show supervised YOLO attains 91.2% accuracy versus 68.5% for Gemini and 71.3% for GPT-4 on standard categories; the annotation expense for a 100-category system is $10,800, and the accuracy advantage only pays off beyond 55 million inferences (151,000 images/day for one year). On diverse product categories Gemini achieves 52.3% and GPT-4 55.1%, while supervised YOLO cannot detect untrained classes. Cost-per-correct-detection favors Gemini ($0.00050) and GPT-4 ($0.00067) over YOLO ($0.143) at 100,000 inferences. We provide decision frameworks showing that optimal architecture choice depends on inference volume, category stability, budget, and accuracy requirements.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
