انتقل إلى المحتوى

YOLO-ناس

نظره عامه

نفذته شركة Deci AI, YOLO-NAS هو نموذج تأسيسي رائد للكشف عن الكائنات. إنه نتاج تقنية البحث عن البنية العصبية المتقدمة ، المصممة بدقة لمعالجة قيود YOLO نماذج. مع تحسينات كبيرة في دعم التكميم ومفاضلات الدقة والكمون ، YOLO-NAS يمثل قفزة كبيرة في الكشف عن الكائنات.

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

تم تصميم كل طراز لتوفير توازن بين متوسط الدقة المتوسط (mAP) وزمن الوصول، مما يساعدك على تحسين مهام اكتشاف الكائنات لكل من الأداء والسرعة.

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 التدريب المسبق *.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: يقدم نهجا متوازنا ومناسبا لاكتشاف الكائنات للأغراض العامة بدقة أعلى.
  • 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},
}

نعرب عن امتناننا ل Deci AIلجهودهم في إنشاء وصيانة هذا المورد القيم لمجتمع رؤية الكمبيوتر. نحن نؤمنYOLO- ستصبح NAS ، ببنيتها المبتكرة وقدراتها الفائقة في الكشف عن الأشياء ، أداة مهمة للمطورين والباحثين على حد سواء.

الكلمات الرئيسيه: YOLO-ناس ، Deci AI، الكشف عن الكائنات ، التعلم العميق ، البحث عن الهندسة المعمارية العصبية ، Ultralytics Python واجهة برمجة التطبيقات, YOLO نموذج, SuperGradients, نماذج مدربة مسبقا, كتلة أساسية صديقة للتكميم, مخططات تدريب متقدمة, تكميم ما بعد التدريب, تحسين AutoNAC, COCO, Objects365, Roboflow 100



تم الإنشاء 2023-11-12-2023، تم التحديث 2024-05-18
المؤلفون: جلين-جوتشر (9)

التعليقات