YOLO-NAS#

نظرة عامة#

تم تطوير YOLO-NAS بواسطة شركة Deci AI، وهي نموذج أساسي رائد لاكتشاف الكائنات. إنها نتاج تقنية Neural Architecture Search المتقدمة، المصممة بدقة لمعالجة قيود نماذج YOLO السابقة. مع تحسينات كبيرة في دعم التكميم والمفاضلات بين accuracy والوقت المستغرق (latency)، تمثل YOLO-NAS قفزة كبرى في اكتشاف الكائنات.

نظرة عامة على YOLO-NAS. تستخدم YOLO-NAS كتل واعية للتكميم وتكميمًا انتقائيًا لتحقيق أداء مثالي. عند تحويل النموذج إلى نسخته الكمية INT8، يشهد انخفاضًا طفيفًا في الدقة، وهو تحسين كبير مقارنة بالنماذج الأخرى. تتوج هذه التطورات في هندسة متفوقة ذات قدرات غير مسبوقة لاكتشاف الكائنات وأداء متميز.

الميزات الرئيسية#

• كتلة أساسية تدعم التكميم: يقدم YOLO-NAS كتلة أساسية جديدة تدعم التكميم، مما يعالج أحد القيود الكبيرة في نماذج YOLO السابقة.
• تدريب وتكميم متطور: يستفيد YOLO-NAS من مخططات تدريب متقدمة وتكميم ما بعد التدريب لتعزيز الأداء.
• تحسين AutoNAC والتدريب المسبق: يستخدم YOLO-NAS تحسين AutoNAC وهو مدرب مسبقاً على مجموعات بيانات بارزة مثل COCO وObjects365 وRoboflow 100. هذا التدريب المسبق يجعله مناسباً للغاية لمهام اكتشاف الأشياء اللاحقة في بيئات الإنتاج.

النماذج المدربة مسبقاً#

جرب قوة الجيل القادم من اكتشاف الأشياء مع نماذج YOLO-NAS المدربة مسبقاً التي توفرها Ultralytics. تم تصميم هذه النماذج لتقديم أداء من الدرجة الأولى من حيث السرعة والدقة. اختر من بين مجموعة متنوعة من الخيارات المصممة خصيصاً لاحتياجاتك:

تم تصميم كل نوع من النماذج لتقديم توازن بين Mean Average Precision (mAP) والوقت المستغرق (latency)، مما يساعدك على تحسين مهام اكتشاف الكائنات الخاصة بك لتحقيق الأداء والسرعة معًا.

أمثلة الاستخدام#

جعلت Ultralytics دمج نماذج YOLO-NAS في تطبيقات Python الخاصة بك أمرًا سهلاً عبر حزمة python ultralytics الخاصة بنا. توفر الحزمة واجهة برمجة تطبيقات (API) سهلة الاستخدام لتبسيط العملية.

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

أمثلة على الاستدلال والتحقق#

في هذا المثال، نقوم بالتحقق من YOLO-NAS-s على مجموعة بيانات COCO8.

from ultralytics import NAS

# Load a COCO-pretrained YOLO-NAS-s model
model = NAS("yolo_nas_s.pt")

# Display model information (optional)
model.info()

# Validate the model on the COCO8 example dataset
results = model.val(data="coco8.yaml")

# Run inference with the YOLO-NAS-s model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

المهام والأوضاع المدعومة#

نقدم ثلاثة متغيرات من نماذج YOLO-NAS: صغير (s)، ومتوسط (m)، وكبير (l). تم تصميم كل متغير لتلبية احتياجات حسابية وأدائية مختلفة:

• YOLO-NAS-s: مُحسَّن للبيئات التي تكون فيها الموارد الحسابية محدودة ولكن الكفاءة هي المفتاح.
• YOLO-NAS-m: يقدم نهجًا متوازنًا، ومناسبًا object detection للأغراض العامة بدقة أعلى.
• YOLO-NAS-l: مصمم للسيناريوهات التي تتطلب أعلى دقة، حيث تكون الموارد الحسابية أقل قيوداً.

فيما يلي نظرة عامة مفصلة على كل نموذج، بما في ذلك روابط أوزانه المدربة مسبقاً، والمهام التي يدعمها، وتوافقه مع أوضاع التشغيل المختلفة.

الاقتباسات والشكر#

إذا كنت تستخدم YOLO-NAS في أبحاثك أو عملك التطويري، فيرجى 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},
}

نعرّب عن امتناننا لفريق SuperGradients التابع لشركاء Deci AI لجهودهم في إنشاء وصيانة هذا المورد القیم لمجتمع computer vision. ونحن نعتقد أن YOLO-NAS، بهندستها المبتكرة وقدراتها الفائقة في اكتشاف الكائنات، ستصبح أداة بالغة الأهمية للمطورين والباحثين على حد سواء.

الأسئلة الشائعة#

ما هو YOLO-NAS وكيف يتحسن مقارنة بنماذج YOLO السابقة؟#

إن YOLO-NAS، التي طورتها Deci AI، هي نموذج متطور لاكتشاف الكائنات يستفيد من تقنية بحث الهندسة العصبي (NAS) المتقدمة. وهي تعالج قيود نماذج YOLO السابقة من خلال إدخال ميزات مثل الكتل الأساسية الصديقة للتكميم ومخططات التدريب المتطورة. وينتج عن ذلك تحسينات كبيرة في الأداء، لا سيما في البيئات ذات الموارد الحسابية المحدودة. تدعم YOLO-NAS أيضًا التكميم، مع الحفاظ على دقة عالية حتى عند تحويلها إلى نسختها INT8، مما يعزز ملاءمتها لبيئات الإنتاج. لمزيد من التفاصيل، راجع قسم Overview.

كيف يمكنني دمج نماذج YOLO-NAS في تطبيق Python الخاص بي؟#

يمكنك بسهولة دمج نماذج YOLO-NAS في تطبيق Python الخاص بك باستخدام حزمة ultralytics. إليك مثال بسيط لكيفية تحميل نموذج YOLO-NAS مدرب مسبقًا وإجراء الاستدلال:

from ultralytics import NAS

# Load a COCO-pretrained YOLO-NAS-s model
model = NAS("yolo_nas_s.pt")

# Validate the model on the COCO8 example dataset
results = model.val(data="coco8.yaml")

# Run inference with the YOLO-NAS-s model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

لمزيد من المعلومات، راجع Inference and Validation Examples.

ما هي الميزات الرئيسية لـ YOLO-NAS ولماذا يجب أن أفكر في استخدامه؟#

يقدم YOLO-NAS العديد من الميزات الرئيسية التي تجعله خياراً متفوقاً لمهام اكتشاف الأشياء:

• كتلة أساسية صديقة للتكميم: هندسة محسنة تحسن أداء النموذج مع الحد الأدنى من انخفاض precision بعد التكميم.
• تدريب وتكميم متطور: يستخدم مخططات تدريب متقدمة وتقنيات تكميم ما بعد التدريب.
• تحسين AutoNAC والتدريب المسبق: يستخدم تحسين AutoNAC وهو مدرب مسبقاً على مجموعات بيانات بارزة مثل COCO وObjects365 وRoboflow 100.

تساهم هذه الميزات في دقتها العالية، وأدائها الفعال، وملاءمتها للنشر في بيئات الإنتاج. تعرف على المزيد في قسم Key Features.

ما هي المهام والأوضاع التي تدعمها نماذج YOLO-NAS؟#

تدعم نماذج YOLO-NAS مهام وأضاع اكتشاف الكائنات المختلفة مثل الاستدلال، والتحقق، والتصدير. وهي لا تدعم التدريب. تشمل النماذج المدعومة YOLO-NAS-s و YOLO-NAS-m و YOLO-NAS-l، وكل منها مصمم خصيصًا لقدرات واحتياجات أداء حوسبية مختلفة. للحصول على نظرة عامة تفصيلية، راجع قسم Supported Tasks and Modes.

هل تتوفر نماذج YOLO-NAS مدربة مسبقاً وكيف يمكنني الوصول إليها؟#

نعم، توفر Ultralytics نماذج YOLO-NAS مدربة مسبقًا يمكنك الوصول إليها مباشرة. هذه النماذج مدربة مسبقًا على مجموعات بيانات مثل COCO، مما يضمن أداءً عاليًا من حيث السرعة والدقة. يمكنك تنزيل هذه النماذج باستخدام الروابط الواردة في قسم Pretrained Models. إليك بعض الأمثلة:

• YOLO-NAS-s
• YOLO-NAS-m
• YOLO-NAS-l