YOLO-World是一款先进的实时开放词汇物体检测器，基于You Only Look Once (YOLO)系列检测器，并通过视觉-语言建模和大规模数据集的预训练，增强了开放词汇检测能力。其采用新的可重新参数化的视觉-语言路径聚合网络（RepVL-PAN）和区域-文本对比损失，促进了视觉和语言信息之间的交互。YOLO-World在零-shot方式下高效地检测各种对象，具有高效率。在具有挑战性的LVIS数据集上，YOLO-World在V100上实现了35.4 AP和52.0 FPS，在准确性和速度方面均优于许多最新方法。此外，经过微调的YOLO-World在多项下游任务上表现出色，包括物体检测和开放词汇实例分割。