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 abordar las limitaciones de los modelos YOLO anteriores. Con mejoras significativas en la compatibilidad con la cuantización y en el equilibrio entre precisión y latencia, YOLO-NAS representa un gran salto adelante en la detección de objetos.

Descripción general de YOLO-NAS. YOLO-NAS emplea bloques optimizados para la cuantización y cuantización selectiva para lograr un rendimiento óptimo. Cuando el modelo se convierte a su versión cuantizada INT8, experimenta una pérdida mínima de precisión, lo que supone una mejora significativa frente 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 optimizado para la cuantización: YOLO-NAS introduce un nuevo bloque básico optimizado para la cuantización, que aborda una de las limitaciones importantes de los modelos YOLO anteriores.
• Entrenamiento y cuantización sofisticados: YOLO-NAS aprovecha esquemas de entrenamiento avanzados y la cuantización posterior al entrenamiento para mejorar el rendimiento.
• Optimización y preentrenamiento con 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#

Experimenta la potencia de la detección de objetos de próxima generación con los modelos YOLO-NAS preentrenados proporcionados por Ultralytics. Estos modelos están diseñados para ofrecer un rendimiento excelente tanto en velocidad como en precisión. Elige entre varias opciones adaptadas a tus necesidades específicas:

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

Ejemplos de uso#

Ultralytics ha facilitado la integraci3n de modelos YOLO-NAS en tus aplicaciones en 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 en el conjunto de datos 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")

Tareas y modos compatibles#

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

• YOLO-NAS-s: Optimizado para entornos donde los recursos computacionales son limitados, pero la eficiencia es fundamental.
• YOLO-NAS-m: Ofrece un enfoque equilibrado, adecuado para la detección de objetos de propósito general con mayor precisión.
• YOLO-NAS-l: Adaptado a situaciones que requieren la máxima precisión, donde los recursos computacionales suponen una limitación menor.

A continuación se muestra una descripción detallada de cada modelo, incluidos los enlaces a sus pesos preentrenados, las tareas compatibles 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 fundamental tanto para desarrolladores como para investigadores.

Preguntas frecuentes#