Link to this sectionYOLO-NAS#

Link to this sectionÜbersicht#

Das von Deci AI entwickelte YOLO-NAS ist ein bahnbrechendes Basismodell für die Objekterkennung. Es ist das Produkt fortschrittlicher Neural Architecture Search-Technologie, die sorgfältig entwickelt wurde, um die Einschränkungen früherer YOLO-Modelle zu überwinden. Mit signifikanten Verbesserungen bei der Quantisierungsunterstützung und dem Accuracy-Latenz-Verhältnis stellt YOLO-NAS einen großen Fortschritt in der Objekterkennung dar.

Überblick über YOLO-NAS. YOLO-NAS verwendet quantisierungsbewusste Blöcke und selektive Quantisierung für eine optimale Leistung. Wenn das Modell in seine INT8-quantisierte Version konvertiert wird, tritt ein minimaler Präzisionsverlust auf, was eine deutliche Verbesserung gegenüber anderen Modellen darstellt. Diese Fortschritte führen zu einer überlegenen Architektur mit beispiellosen Fähigkeiten zur Objekterkennung und herausragender Leistung.

Link to this sectionHauptfunktionen#

• Quantisierungsfreundlicher Basisblock: YOLO-NAS führt einen neuen Basisblock ein, der quantisierungsfreundlich ist und eine der wesentlichen Einschränkungen früherer YOLO-Modelle behebt.
• Anspruchsvolles Training und Quantisierung: YOLO-NAS nutzt fortschrittliche Trainingsverfahren und Post-Training-Quantisierung, um die Leistung zu steigern.
• AutoNAC-Optimierung und Pre-training: YOLO-NAS nutzt AutoNAC-Optimierung und ist auf prominenten Datensätzen wie COCO, Objects365 und Roboflow 100 vorab trainiert. Dieses Pre-training macht es äußerst geeignet für nachgelagerte Objekterkennungsaufgaben in Produktionsumgebungen.

Link to this sectionVortrainierte Modelle#

Erlebe die Leistungsfähigkeit der Objekterkennung der nächsten Generation mit den von Ultralytics bereitgestellten vortrainierten YOLO-NAS-Modellen. Diese Modelle sind darauf ausgelegt, erstklassige Leistung in Bezug auf Geschwindigkeit und Genauigkeit zu liefern. Wähle aus einer Vielzahl von Optionen, die auf deine spezifischen Anforderungen zugeschnitten sind:

Jede Modellvariante ist darauf ausgelegt, ein Gleichgewicht zwischen Mean Average Precision (mAP) und Latenz zu bieten, damit du deine Objekterkennungsaufgaben sowohl hinsichtlich Leistung als auch Geschwindigkeit optimieren kannst.

Link to this sectionAnwendungsbeispiele#

Ultralytics hat es einfach gemacht, YOLO-NAS-Modelle über unser ultralytics Python-Paket in deine Python-Anwendungen zu integrieren. Das Paket bietet eine benutzerfreundliche Python API, um den Prozess zu optimieren.

Die folgenden Beispiele zeigen, wie du YOLO-NAS-Modelle mit dem ultralytics-Paket für Inferenz und Validierung verwendest:

Link to this sectionBeispiele für Inferenz und Validierung#

In diesem Beispiel validieren wir YOLO-NAS-s auf dem COCO8-Datensatz.

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")

Link to this sectionUnterstützte Aufgaben und Modi#

Wir bieten drei Varianten der YOLO-NAS-Modelle an: Small (s), Medium (m) und Large (l). Jede Variante ist darauf ausgelegt, unterschiedliche Anforderungen an Rechenleistung und Performance zu erfüllen:

• YOLO-NAS-s: Optimiert für Umgebungen, in denen Rechenressourcen begrenzt sind, Effizienz aber entscheidend ist.
• YOLO-NAS-m: Bietet einen ausgewogenen Ansatz, geeignet für allgemeine object detection mit höherer Genauigkeit.
• YOLO-NAS-l: Zugeschnitten auf Szenarien, die höchste Genauigkeit erfordern und in denen Rechenressourcen weniger eingeschränkt sind.

Nachfolgend findest du einen detaillierten Überblick über jedes Modell, einschließlich Links zu deren vortrainierten Gewichten, den unterstützten Aufgaben und ihrer Kompatibilität mit verschiedenen Betriebsmodi.

Link to this sectionZitate und Danksagungen#

Wenn du YOLO-NAS in deiner Forschung oder Entwicklungsarbeit einsetzt, zitiere bitte 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},
}

Wir drücken dem SuperGradients-Team von Deci AI unsere Dankbarkeit für ihre Bemühungen aus, diese wertvolle Ressource für die computer vision-Community zu erstellen und zu pflegen. Wir glauben, dass YOLO-NAS mit seiner innovativen Architektur und überlegenen Fähigkeiten zur Objekterkennung ein entscheidendes Werkzeug für Entwickler und Forscher gleichermaßen werden wird.

Link to this sectionFAQ#

Link to this sectionWas ist YOLO-NAS und wie verbessert es frühere YOLO-Modelle?#

YOLO-NAS, entwickelt von Deci AI, ist ein hochmodernes Objekterkennungsmodell, das fortschrittliche Neural Architecture Search (NAS)-Technologie nutzt. Es adressiert die Einschränkungen früherer YOLO-Modelle durch die Einführung von Funktionen wie quantisierungsfreundlichen Basisblöcken und anspruchsvollen Trainingsverfahren. Dies führt zu signifikanten Leistungsverbesserungen, insbesondere in Umgebungen mit begrenzten Rechenressourcen. YOLO-NAS unterstützt zudem Quantisierung, wobei die hohe Genauigkeit selbst bei der Konvertierung in die INT8-Version erhalten bleibt, was die Eignung für Produktionsumgebungen verbessert. Weitere Details findest du im Abschnitt Overview.

Link to this sectionWie kann ich YOLO-NAS-Modelle in meine Python-Anwendung integrieren?#

Du kannst YOLO-NAS-Modelle einfach über das ultralytics-Paket in deine Python-Anwendung integrieren. Hier ist ein einfaches Beispiel, wie du ein vortrainiertes YOLO-NAS-Modell lädst und eine Inferenz durchführst:

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")

Weitere Informationen findest du in den Inference and Validation Examples.

Link to this sectionWas sind die Hauptmerkmale von YOLO-NAS und warum sollte ich die Verwendung in Betracht ziehen?#

YOLO-NAS führt mehrere Hauptmerkmale ein, die es zu einer überlegenen Wahl für Objekterkennungsaufgaben machen:

• Quantisierungsfreundlicher Basisblock: Verbesserte Architektur, die die Modellleistung mit minimalem precision-Verlust nach der Quantisierung steigert.
• Anspruchsvolles Training und Quantisierung: Verwendet fortschrittliche Trainingsverfahren und Post-Training-Quantisierungstechniken.
• AutoNAC-Optimierung und Pre-training: Nutzt AutoNAC-Optimierung und ist auf prominenten Datensätzen wie COCO, Objects365 und Roboflow 100 vorab trainiert.

Diese Merkmale tragen zu seiner hohen Genauigkeit, effizienten Leistung und Eignung für den Einsatz in Produktionsumgebungen bei. Erfahre mehr im Abschnitt Key Features.

Link to this sectionWelche Aufgaben und Modi werden von YOLO-NAS-Modellen unterstützt?#

YOLO-NAS-Modelle unterstützen verschiedene Objekterkennungsaufgaben und Modi wie Inferenz, Validierung und Export. Sie unterstützen kein Training. Die unterstützten Modelle umfassen YOLO-NAS-s, YOLO-NAS-m und YOLO-NAS-l, die jeweils auf unterschiedliche Rechenkapazitäten und Leistungsanforderungen zugeschnitten sind. Einen detaillierten Überblick findest du im Abschnitt Supported Tasks and Modes.

Link to this sectionSind vortrainierte YOLO-NAS-Modelle verfügbar und wie kann ich darauf zugreifen?#

Ja, Ultralytics stellt vortrainierte YOLO-NAS-Modelle bereit, auf die du direkt zugreifen kannst. Diese Modelle sind auf Datensätzen wie COCO vortrainiert, was eine hohe Leistung in Bezug auf Geschwindigkeit und Genauigkeit gewährleistet. Du kannst diese Modelle über die Links im Abschnitt Pretrained Models herunterladen. Hier sind einige Beispiele:

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