目录
一、写在前面的废话
二、先看看效果
三、核心原理（用人话讲）
四、环境配置（血的教训）
五、完整代码实现
5.1 模型定义 models/clip_yolov10.py
5.2 训练脚本 train_clip_yolo.py
5.3 推理脚本 inference.py
5.4 快速测试脚本 quick_test.py
六、推荐的数据集
1. COCO-O (COCO with Out-of-vocabulary)
2. LVIS (Large Vocabulary Instance Segmentation)
3. OVAD (Open Vocabulary Attribute Detection)
4. 自制数据集方案（最推荐）
一、写在前面的废话
老铁们，好久不见。最近后台一堆人问我：“大佬，YOLOv10都出来了，能不能搞个开放词汇检测？就是那种不用固定类别，想检测啥就说啥的那种？”
说实话，我之前一直在忙项目，没时间折腾。这不，前两天刚把手头的活交完，赶紧抽时间把这套东西搞出来了。传统的YOLO系列模型有个硬伤——你训练的时候定好了80类，推理的时候就只能检测这80类，想加个新类别？对不起，重新训练吧。
今天要说的这个CLIP-YOLOv10，就是把CLIP那套牛逼的图文匹配能力嫁接到YOLOv10上。简单来说，你现在可以对着模型说“我要检测红色的杯子”，它还真就能给你框出来。不用重新训练，不用准备数据集，就是这么神奇。
整个代码我已经在COCO和自定义数据集上调通跑过了，效果怎么说呢，比我想象的要好，但也没好到能直接上生产（后面会分析原因）。这篇文章，我尽量把踩过的坑都填上，让你直接用就能跑通。
二、先看看效果
先说结论：在COCO验证集上，用同样的文本描述（比如“person”、“car”这些），CLIP-YOLOv1
