YOLO-NAS#

Descripción general#

Desarrollado por Deci AI, YOLO-NAS es un modelo fundacional revolucionario para la detección de objetos. Es el resultado de una tecnología avanzada de búsqueda de arquitecturas neuronales, diseñada meticulosamente para superar las limitaciones de los modelos YOLO anteriores. Gracias a las importantes mejoras en la compatibilidad con la cuantización y en el equilibrio entre precisión y latencia, YOLO-NAS supone un gran avance en la detección de objetos.

Descripción general de YOLO-NAS. YOLO-NAS emplea bloques preparados para la cuantización y cuantización selectiva para ofrecer un rendimiento óptimo. Al convertir el modelo a su versión cuantizada INT8, la pérdida de precisión es mínima, una mejora significativa con respecto a otros modelos. Estos avances culminan en una arquitectura superior, con capacidades de detección de objetos sin precedentes y un rendimiento excepcional.

Características principales#

• Bloque básico compatible con la cuantización: YOLO-NAS incorpora un nuevo bloque básico compatible con la cuantización, que resuelve una de las limitaciones importantes de los modelos YOLO anteriores.
• Entrenamiento y cuantización avanzados: YOLO-NAS aprovecha esquemas de entrenamiento avanzados y la cuantización posterior al entrenamiento para mejorar el rendimiento.
• Optimización y preentrenamiento AutoNAC: YOLO-NAS utiliza la optimización AutoNAC y se preentrena con conjuntos de datos destacados, como COCO, Objects365 y Roboflow 100. Este preentrenamiento lo hace especialmente adecuado para tareas posteriores de detección de objetos en entornos de producción.

Modelos preentrenados#

Descubre la potencia de la detección de objetos de nueva generación con los modelos YOLO-NAS preentrenados de Ultralytics. Estos modelos están diseñados para ofrecer un rendimiento excepcional tanto en velocidad como en precisión. Elige entre varias opciones adaptadas a tus necesidades concretas:

Cada variante del modelo está diseñada para ofrecer un equilibrio entre la precisión media promedio (mAP) y la latencia, lo que te ayuda a optimizar tus tareas de detección de objetos tanto en rendimiento como en velocidad.

Ejemplos de uso#

Ultralytics facilita la integración de los modelos YOLO-NAS en tus aplicaciones Python mediante nuestro paquete de Python ultralytics. El paquete proporciona una API de Python fácil de usar para agilizar el proceso.

Los siguientes ejemplos muestran cómo usar los modelos YOLO-NAS con el paquete ultralytics para realizar inferencias y validaciones:

Ejemplos de inferencia y validación#

En este ejemplo validamos YOLO-NAS-s con el conjunto de datos COCO8.

from ultralytics import NAS

# Carga un modelo YOLO-NAS-s preentrenado con COCO
model = NAS("yolo_nas_s.pt")

# Mostrar información del modelo (opcional)
model.info()

# Valida el modelo con el conjunto de datos de ejemplo COCO8
results = model.val(data="coco8.yaml")

# Ejecuta inferencias con el modelo YOLO-NAS-s en la imagen 'bus.jpg'
results = model("path/to/bus.jpg")

Tareas y modos compatibles#

Ofrecemos tres variantes de los modelos YOLO-NAS: pequeña (s), mediana (m) y grande (l). Cada variante está diseñada para satisfacer distintas necesidades de cálculo y rendimiento:

• YOLO-NAS-s: optimizado para entornos con recursos de cálculo limitados, donde la eficiencia es fundamental.
• YOLO-NAS-m: ofrece un enfoque equilibrado, adecuado para la detección de objetos de uso general con mayor precisión.
• YOLO-NAS-l: diseñado para situaciones que requieren la máxima precisión y en las que los recursos de cálculo no son una limitación importante.

A continuación encontrarás una descripción detallada de cada modelo, con enlaces a sus pesos preentrenados, las tareas que admite y su compatibilidad con distintos modos de funcionamiento.

Citas y agradecimientos#

Si utilizas YOLO-NAS en tus trabajos de investigación o desarrollo, cita 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},
}

Agradecemos al equipo de SuperGradients de Deci AI sus esfuerzos para crear y mantener este valioso recurso para la comunidad de visión artificial. Creemos que YOLO-NAS, con su arquitectura innovadora y sus capacidades superiores de detección de objetos, se convertirá en una herramienta esencial tanto para desarrolladores como para investigadores.

Preguntas frecuentes#