YOLO-NAS#

نظرة عامة#

طوّرت Deci AI نموذج YOLO-NAS، وهو نموذج أساسي رائد لاكتشاف الكائنات. وهو ثمرة تقنية متقدمة لـالبحث عن البنى العصبية، صُمم بعناية لمعالجة قيود نماذج YOLO السابقة. ومع التحسينات الكبيرة في دعم التكميم والمفاضلة بين الدقة وزمن الاستجابة، يمثل YOLO-NAS قفزة كبيرة في مجال اكتشاف الكائنات.

لمحة عامة عن YOLO-NAS. يستخدم YOLO-NAS كتلًا واعية بالتكميم وتكميمًا انتقائيًا لتحقيق الأداء الأمثل. وعند تحويل النموذج إلى إصدار INT8 مكمّم، يكون انخفاض الدقة طفيفًا، وهو تحسّن كبير مقارنةً بالنماذج الأخرى. وتتوج هذه التطورات ببنية متفوقة ذات قدرات غير مسبوقة على اكتشاف الكائنات وأداء متميز.

الميزات الرئيسية#

• كتلة أساسية ملائمة للتكميم: يقدم YOLO-NAS كتلة أساسية جديدة ملائمة للتكميم، تعالج أحد القيود المهمة في نماذج YOLO السابقة.
• التدريب المتقدم والتكميم: يستفيد YOLO-NAS من أساليب تدريب متقدمة والتكميم بعد التدريب لتعزيز الأداء.
• تحسين AutoNAC والتدريب المسبق: يستخدم YOLO-NAS تحسين AutoNAC، وقد دُرّب مسبقًا على مجموعات بيانات بارزة مثل COCO وObjects365 وRoboflow 100. ويجعل هذا التدريب المسبق النموذج مناسبًا للغاية لمهام اكتشاف الكائنات اللاحقة في بيئات الإنتاج.

النماذج المدربة مسبقًا#

اختبر قوة الجيل التالي من اكتشاف الكائنات باستخدام نماذج YOLO-NAS المدربة مسبقًا التي تقدمها Ultralytics. صُممت هذه النماذج لتوفير أداء ممتاز من حيث السرعة والدقة. اختر من بين مجموعة من الخيارات المصممة لتلبية احتياجاتك الخاصة:

صُمم كل إصدار من النموذج لتحقيق توازن بين متوسط الدقة (mAP) وزمن الاستجابة، مما يساعدك على تحسين مهام اكتشاف الكائنات من حيث الأداء والسرعة.

أمثلة الاستخدام#

سهّلت Ultralytics دمج نماذج YOLO-NAS في تطبيقات Python باستخدام حزمة Python ultralytics. وتوفر الحزمة API سهلة الاستخدام بلغة Python لتبسيط العملية.

توضح الأمثلة التالية كيفية استخدام نماذج YOLO-NAS مع حزمة ultralytics للاستدلال والتحقق من الصحة:

أمثلة على الاستدلال والتحقق من الصحة#

في هذا المثال، نتحقق من صحة YOLO-NAS-s على مجموعة بيانات COCO8.

from ultralytics import NAS

# ⁨تحميل نموذج YOLO-NAS-s المدرّب مسبقًا على COCO⁩
model = NAS("yolo_nas_s.pt")

# ⁨عرض معلومات النموذج (اختياري)⁩
model.info()

# ⁨التحقق من صحة النموذج على مجموعة بيانات COCO8 التجريبية⁩
results = model.val(data="coco8.yaml")

# ⁨إجراء الاستدلال باستخدام نموذج YOLO-NAS-s على الصورة 'bus.jpg'⁩
results = model("path/to/bus.jpg")

المهام والأوضاع المدعومة#

نقدم ثلاثة إصدارات من نماذج YOLO-NAS: صغير (s)، ومتوسط (m)، وكبير (l). صُمم كل إصدار لتلبية احتياجات مختلفة من حيث الحوسبة والأداء:

• YOLO-NAS-s: مُحسّن للبيئات محدودة الموارد الحاسوبية، حيث تكون الكفاءة أساسية.
• YOLO-NAS-m: يوفّر نهجًا متوازنًا، ويناسب اكتشاف الكائنات للأغراض العامة بدقة أعلى.
• YOLO-NAS-l: مصمم للسيناريوهات التي تتطلب أعلى دقة، حيث لا تشكل الموارد الحاسوبية قيدًا كبيرًا.

فيما يلي لمحة مفصلة عن كل نموذج، بما في ذلك روابط أوزانه المدربة مسبقًا، والمهام التي يدعمها، ومدى توافقه مع أوضاع التشغيل المختلفة.

الاستشهادات والشكر والتقدير#

إذا استخدمت YOLO-NAS في أبحاثك أو أعمال التطوير، يُرجى الاستشهاد بـ SuperGradients:

@misc{supergradients,
      doi = {10.5281/ZENODO.7789328},
      url = {https://zenodo.org/records/7789328},
      author = {Aharon,  Shay and {Louis-Dupont} and {Ofri Masad} and Yurkova,  Kate and {Lotem Fridman} and {Lkdci} and Khvedchenya,  Eugene and Rubin,  Ran and Bagrov,  Natan and Tymchenko,  Borys and Keren,  Tomer and Zhilko,  Alexander and {Eran-Deci}},
      title = {Super-Gradients},
      publisher = {GitHub},
      journal = {GitHub repository},
      year = {2021},
}

نعرب عن امتناننا لفريق SuperGradients التابع لـ Deci AI على جهودهم في إنشاء هذا المورد القيّم وصيانته لخدمة مجتمع الرؤية الحاسوبية. ونعتقد أن YOLO-NAS، ببنيته المبتكرة وقدراته المتفوقة على اكتشاف الكائنات، سيصبح أداة أساسية للمطورين والباحثين على حد سواء.

الأسئلة الشائعة#