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:
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:
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