Un inginer care în 2020 antrena un ResNet de la zero pe un cluster de GPU-uri și un inginer care în 2026 pornește de la un model fundamental (Foundation Model) fac, în teorie, același lucru: învață o mașină să vadă. În practică, lucrează în două lumi separate. Astăzi vorbim despre modele care înțeleg imagini, text și video simultan, despre inferență pe dispozitive de buzunar și despre sisteme autonome care iau decizii critice în milisecunde. Computer Vision-ul din 2026 nu mai seamănă aproape deloc cu domeniul de acum cinci ani — iar diferența dintre a-l urmări și a-l stăpâni începe cu harta pe care o desenăm în această lecție.
Această lecție este punctul tău de pornire. Nu vom scrie cod încă — vom construi harta mentală a întregului domeniu, astfel încât fiecare lecție ulterioară să se fixeze într-un context clar. Vei înțelege ce tehnologii contează, de ce contează și cum se leagă între ele.
1. Peisajul Computer Vision în 2026
1.1 De la modele specializate la modele universale
Până în 2022-2023, fiecare problemă de CV necesita un model diferit: un clasificator pentru imagini, un detector de obiecte, un segmentator, un model OCR. Fiecare trebuia antrenat separat, pe dataset-uri specifice, cu arhitecturi diferite.
Paradigma 2026 este radical diferită. Modele precum Florence-2 (Microsoft), PaliGemma 2 (Google) și DINOv2 (Meta) sunt antrenate pe sute de milioane (sau miliarde) de imagini cu text asociat. Ele „înțeleg" vizual la un nivel general și pot fi adaptate rapid la sarcini specifice prin:
- Fine-tuning eficient (LoRA, QLoRA) — antrenezi doar 1-5% din parametri
- Prompt engineering vizual — descrii în limbaj natural ce vrei să detecteze
- Few-shot learning — arăți 5-10 exemple și modelul generalizează
Concret, dacă în 2022 aveai nevoie de 50.000 de imagini etichetate pentru a antrena un detector de defecte industriale, în 2026 poți obține rezultate comparabile cu 500 de imagini folosind fine-tuning pe un model fundamental.
1.2 Modelele fundamentale care definesc era
DINOv2 (Meta AI)
DINOv2 este un model de tip Vision Transformer (ViT) antrenat prin self-supervised learning — fără etichete umane. A fost antrenat pe 142 de milioane de imagini curate. Rezultatul: un extractor de feature-uri vizuale de o calitate excepțională.
De ce contează: DINOv2 produce embeddings vizuale care pot fi folosite direct pentru clasificare, segmentare semantică, estimare de adâncime și retrieval de imagini, fără a fi antrenat explicit pe niciunul dintre aceste task-uri. Este „coloana vertebrală" pe care construiești.
import torch
from torchvision import transforms
from PIL import Image
# Încarcă DINOv2 pre-antrenat (varianta ViT-Large)
model = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_reg')
model.eval()
# Preprocesare standard DINOv2
transform = transforms.Compose([
transforms.Resize(518, interpolation=transforms.InterpolationMode.BICUBIC),
transforms.CenterCrop(518),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
image = Image.open('componenta_industriala.jpg').convert('RGB')
tensor = transform(image).unsqueeze(0) # [1, 3, 518, 518]
with torch.no_grad():
features = model(tensor) # [1, 1024] — embedding-ul vizual
print(f"Dimensiune embedding: {features.shape}")
# Acest vector de 1024 dimensiuni codifică „esența vizuală" a imaginii
# Poate fi folosit direct pentru clasificare cu un simplu strat Linear
SAM 2 — Segment Anything Model 2 (Meta AI)
SAM 2, lansat în 2024 și rafinat continuu, este printre cele mai puternice modele de segmentare interactivă (vezi și succesoarele SAM 3 / SAM 3.1, tratate în lecția finală de actualizare). Acceptă prompturi sub formă de puncte, casete (bounding boxes) sau măști și segmentează orice obiect din imagine sau video (prompturile text au apărut abia cu SAM 3).
De ce contează: Elimină nevoia de etichetare manuală a măștilor de segmentare. Un singur clic pe un obiect generează o mască pixel-perfect. SAM 2 funcționează și pe video — urmărește obiecte de-a lungul cadrelor temporal.
