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.

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:

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.

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")

# 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.

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.

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:

• كتلة أساسية ملائمة للتقدير الكمي: بنية محسّنة تعمل على تحسين أداء النموذج مع الحد الأدنى من انخفاض الدقة بعد التكميم.
• 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:

• YOLO-ناس-ق
• YOLO-ناس-م
• YOLO-ناس-ل

التعليقات