انتقل إلى المحتوى

YOLO-ناس

نظره عامه

Developed by Deci AI, YOLO-NAS is a groundbreaking object detection foundational model. It is the product of advanced Neural Architecture Search technology, meticulously designed to address the limitations of previous YOLO models. With significant improvements in quantization support and accuracy-latency trade-offs, YOLO-NAS represents a major leap in object detection.

صورة مثال النموذج نظرة عامة على YOLO-ناس. YOLO- تستخدم NAS كتل مدركة للتكميم وتكميم انتقائي لتحقيق الأداء الأمثل. النموذج ، عند تحويله إلى نسخته الكمية INT8 ، يواجه انخفاضا بسيطا في الدقة ، وهو تحسن كبير مقارنة بالموديلات الأخرى. تتوج هذه التطورات ببنية فائقة مع قدرات غير مسبوقة للكشف عن الأشياء وأداء متميز.

الميزات الرئيسية

  • كتلة أساسية صديقة للتكميم: YOLO- تقدم NAS كتلة أساسية جديدة صديقة للتكميم ، ومعالجة أحد القيود المهمة السابقة YOLO نماذج.
  • التدريب المتطور والتكميم: YOLO-تستفيد NAS من خطط التدريب المتقدمة وتكميم ما بعد التدريب لتحسين الأداء.
  • تحسين AutoNAC والتدريب المسبق: YOLO-يستخدم NAS تحسين AutoNAC ويتم تدريبه مسبقا على مجموعات البيانات البارزة مثل COCO و Objects365 و Roboflow 100. هذا التدريب المسبق يجعله مناسبا للغاية لمهام الكشف عن الكائنات النهائية في بيئات الإنتاج.

نماذج مدربة مسبقا

اختبر قوة اكتشاف الأجسام من الجيل التالي باستخدام المدرب مسبقا YOLO-نماذج NAS المقدمة من Ultralytics. تم تصميم هذه النماذج لتقديم أداء من الدرجة الأولى من حيث السرعة والدقة. اختر من بين مجموعة متنوعة من الخيارات المصممة خصيصا لاحتياجاتك الخاصة:

نموذج خريطة الكمون (مللي ثانية)
YOLO-ناس اس اس 47.5 3.21
YOLO-ناس ام 51.55 5.85
YOLO-ناس L 52.22 7.87
YOLO-ناس اس INT-8 47.03 2.36
YOLO-ناس إم إنت-8 51.0 3.78
YOLO-ناس ل INT-8 52.1 4.78

Each model variant is designed to offer a balance between Mean Average Precision (mAP) and latency, helping you optimize your object detection tasks for both performance and speed.

أمثلة الاستخدام

Ultralytics وقد جعلت YOLO-نماذج NAS سهلة الاندماج في الخاص بك Python التطبيقات عبر ultralytics python حزمة. توفر الحزمة سهلة الاستخدام Python API لتبسيط العملية.

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

أمثلة الاستدلال والتحقق من الصحة

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

مثل

يوفر هذا المثال استنتاجا بسيطا ورمز التحقق من الصحة ل YOLO-ناس. للتعامل مع نتائج الاستدلال انظر تنبأ طريقة. للاستخدام YOLO-NAS مع أوضاع إضافية انظر فال و تصدير. YOLO-NAS على ultralytics الحزمة لا تدعم التدريب.

PyTorch pretrained *.pt يمكن تمرير ملفات النماذج إلى NAS() فئة لإنشاء مثيل نموذج في python:

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")

CLI تتوفر الأوامر لتشغيل النماذج مباشرة:

# Load a COCO-pretrained YOLO-NAS-s model and validate it's performance on the COCO8 example dataset
yolo val model=yolo_nas_s.pt data=coco8.yaml

# Load a COCO-pretrained YOLO-NAS-s model and run inference on the 'bus.jpg' image
yolo predict model=yolo_nas_s.pt source=path/to/bus.jpg

المهام والأوضاع المدعومة

نحن نقدم ثلاثة أنواع مختلفة من YOLO-طرازات NAS: صغيرة (ق) ومتوسطة (م) وكبيرة (لتر). تم تصميم كل متغير لتلبية الاحتياجات الحسابية والأداء المختلفة:

  • YOLO-NAS-s: محسن للبيئات التي تكون فيها الموارد الحسابية محدودة ولكن الكفاءة هي المفتاح.
  • YOLO-NAS-m: Offers a balanced approach, suitable for general-purpose object detection with higher accuracy.
  • YOLO-NAS-l: مصمم خصيصا للسيناريوهات التي تتطلب أعلى دقة ، حيث تكون الموارد الحسابية أقل قيدا.

فيما يلي نظرة عامة مفصلة على كل طراز ، بما في ذلك روابط لأوزانهم المدربة مسبقا ، والمهام التي يدعمونها ، وتوافقها مع أوضاع التشغيل المختلفة.

نوع الموديل الأوزان المدربة مسبقا المهام المدعومة استدلال التحقق تدريب تصدير
YOLO-ناس-ق yolo_nas_s.pt كشف الكائن
YOLO-ناس-م yolo_nas_m.pt كشف الكائن
YOLO-ناس-ل yolo_nas_l.pt كشف الكائن

الاستشهادات والشكر

إذا كنت توظف YOLO-NAS في أعمال البحث أو التطوير الخاصة بك ، يرجى الاستشهاد ب SuperGradients:

@misc{supergradients,
      doi = {10.5281/ZENODO.7789328},
      url = {https://zenodo.org/record/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},
}

We express our gratitude to Deci AI's SuperGradients team for their efforts in creating and maintaining this valuable resource for the computer vision community. We believe YOLO-NAS, with its innovative architecture and superior object detection capabilities, will become a critical tool for developers and researchers alike.

الأسئلة المتداولة

ما هو YOLO-NAS وكيف يتحسن عن الطرازات السابقة YOLO ؟

YOLO-NAS، الذي طورته Deci AI ، هو نموذج متطور للكشف عن الأجسام بالاستفادة من تقنية البحث المعماري العصبي (NAS) المتقدمة. وهو يعالج قيود النماذج السابقة YOLO من خلال إدخال ميزات مثل الكتل الأساسية الملائمة للتقدير الكمي ومخططات التدريب المتطورة. يؤدي ذلك إلى تحسينات كبيرة في الأداء، خاصةً في البيئات ذات الموارد الحاسوبية المحدودة. YOLO-يدعم نظام NAS أيضًا التكميم، ويحافظ على دقة عالية حتى عند تحويله إلى إصدار INT8، مما يعزز ملاءمته لبيئات الإنتاج. لمزيد من التفاصيل، راجع قسم نظرة عامة.

كيف يمكنني دمج نماذج YOLO-NAS في تطبيقي Python ؟

يمكنك بسهولة دمج النماذج YOLO-NAS في تطبيقك Python باستخدام ultralytics الحزمة. فيما يلي مثال بسيط على كيفية 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 أمثلة الاستدلال والتحقق من الصحة.

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

YOLO-يقدم نظام NAS العديد من الميزات الرئيسية التي تجعله خيارًا متفوقًا لمهام اكتشاف الأجسام:

  • Quantization-Friendly Basic Block: Enhanced architecture that improves model performance with minimal precision drop post quantization.
  • تدريب متطور وقياس كمي متطور: يستخدم مخططات تدريب متقدمة وتقنيات التكميم الكمي بعد التدريب.
  • التحسين التلقائي لـ AutoNAC والتدريب المسبق: يستخدم خاصية التحسين التلقائي لـ AutoNAC ويتم تدريبه مسبقًا على مجموعات بيانات بارزة مثل COCO و Objects365 و Roboflow 100. تساهم هذه الميزات في دقته العالية وأدائه الفعال وملاءمته للنشر في بيئات الإنتاج. تعرف على المزيد في قسم الميزات الرئيسية.

ما هي المهام والأوضاع التي تدعمها نماذج YOLO-NAS؟

YOLO-تدعم نماذج NAS مختلف مهام وأنماط اكتشاف الكائنات مثل الاستدلال والتحقق من الصحة والتصدير. وهي لا تدعم التدريب. تتضمن النماذج المدعومة YOLO-NAS-s، و YOLO-NAS-m، و YOLO-NAS-l، وكل منها مصمم خصيصًا لتلبية مختلف القدرات الحسابية واحتياجات الأداء. للحصول على نظرة عامة مفصلة، راجع قسم المهام والأنماط المدعومة.

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

نعم، يوفر الموقع الإلكتروني Ultralytics نماذج YOLO-NAS المدربة مسبقًا والتي يمكنك الوصول إليها مباشرةً. يتم تدريب هذه النماذج مسبقًا على مجموعات بيانات مثل COCO، مما يضمن أداءً عاليًا من حيث السرعة والدقة. يمكنك تنزيل هذه النماذج باستخدام الروابط المتوفرة في قسم النماذج المد ربة مسبقًا. إليك بعض الأمثلة:


📅 Created 11 months ago ✏️ Updated 13 days ago

التعليقات