Link to this sectionYOLO-NAS#

Link to this sectionDescripción general#

Desarrollado por Deci AI, YOLO-NAS es un modelo fundacional innovador de detección de objetos. Es el producto de la avanzada tecnología de Neural Architecture Search, meticulosamente diseñada para abordar las limitaciones de modelos YOLO anteriores. Con mejoras significativas en el soporte de cuantización y en el equilibrio entre precisión y latencia, YOLO-NAS representa un gran salto en la detección de objetos.

Resumen de YOLO-NAS. YOLO-NAS emplea bloques preparados para cuantización y cuantización selectiva para un rendimiento óptimo. El modelo, al convertirse a su versión cuantizada INT8, experimenta una pérdida mínima de precisión, una mejora significativa sobre otros modelos. Estos avances culminan en una arquitectura superior con capacidades de detección de objetos sin precedentes y un rendimiento excepcional.

Link to this sectionCaracterísticas clave#

• Bloque básico apto para cuantización: YOLO-NAS introduce un nuevo bloque básico que es compatible con la cuantización, abordando una de las limitaciones importantes de modelos YOLO anteriores.
• Entrenamiento y cuantización sofisticados: YOLO-NAS aprovecha esquemas de entrenamiento avanzados y cuantización post-entrenamiento para mejorar el rendimiento.
• Optimización AutoNAC y preentrenamiento: YOLO-NAS utiliza la optimización AutoNAC y está preentrenado en conjuntos de datos destacados como COCO, Objects365 y Roboflow 100. Este preentrenamiento lo hace extremadamente adecuado para tareas de detección de objetos posteriores en entornos de producción.

Link to this sectionModelos 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 de primer nivel tanto en velocidad como en precisión. Elige entre una variedad de opciones adaptadas a tus necesidades específicas:

Cada variante de modelo está diseñada para ofrecer un equilibrio entre Mean Average Precision (mAP) y latencia, ayudándote a optimizar tus tareas de detección de objetos tanto en rendimiento como en velocidad.

Link to this sectionEjemplos de uso#

Ultralytics ha hecho que los modelos YOLO-NAS sean fáciles de integrar en tus aplicaciones Python a través de nuestro paquete python ultralytics. El paquete proporciona una API de Python fácil de usar para agilizar el proceso.

Los siguientes ejemplos muestran cómo utilizar modelos YOLO-NAS con el paquete ultralytics para inferencia y validación:

Link to this sectionEjemplos 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")

Link to this sectionTareas y modos soportados#

Ofrecemos tres variantes de los modelos YOLO-NAS: Small (s), Medium (m) y Large (l). Cada variante está diseñada para cubrir diferentes necesidades computacionales y de rendimiento:

• YOLO-NAS-s: Optimizado para entornos donde los recursos computacionales son limitados pero la eficiencia es clave.
• YOLO-NAS-m: Ofrece un enfoque equilibrado, adecuado para la detección de objetos de uso general con mayor precisión.
• YOLO-NAS-l: Adaptado para escenarios que requieren la mayor precisión, donde los recursos computacionales suponen menos limitación.

A continuación, se muestra una descripción detallada de cada modelo, incluidos enlaces a sus pesos preentrenados, las tareas que admiten y su compatibilidad con diferentes modos de funcionamiento.

Link to this sectionCitas y agradecimientos#

Si utilizas YOLO-NAS en tu trabajo 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},
}

Expresamos nuestra gratitud al equipo de SuperGradients de Deci AI por sus esfuerzos en la creación y mantenimiento de este valioso recurso para la comunidad de computer vision. Creemos que YOLO-NAS, con su arquitectura innovadora y capacidades superiores de detección de objetos, se convertirá en una herramienta fundamental tanto para desarrolladores como para investigadores.

Link to this sectionFAQ#

Link to this section¿Qué es YOLO-NAS y cómo mejora respecto a los modelos YOLO anteriores?#

YOLO-NAS, desarrollado por Deci AI, es un modelo de detección de objetos de vanguardia que aprovecha la avanzada tecnología de Neural Architecture Search (NAS). Aborda las limitaciones de modelos YOLO anteriores introduciendo características como bloques básicos compatibles con la cuantización y esquemas de entrenamiento sofisticados. Esto resulta en mejoras significativas en el rendimiento, especialmente en entornos con recursos computacionales limitados. YOLO-NAS también admite la cuantización, manteniendo una alta precisión incluso cuando se convierte a su versión INT8, lo que mejora su idoneidad para entornos de producción. Para más detalles, consulta la sección Overview.

Link to this section¿Cómo puedo integrar modelos YOLO-NAS en mi aplicación Python?#

Puedes integrar fácilmente modelos YOLO-NAS en tu aplicación Python utilizando el paquete ultralytics. Aquí tienes un ejemplo simple de cómo cargar un modelo YOLO-NAS preentrenado y realizar inferencia:

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")

Para más información, consulta los Ejemplos de inferencia y validación.

Link to this section¿Cuáles son las características clave de YOLO-NAS y por qué debería considerar usarlo?#

YOLO-NAS introduce varias características clave que lo convierten en una opción superior para tareas de detección de objetos:

• Bloque básico apto para cuantización: Arquitectura mejorada que mejora el rendimiento del modelo con una mínima pérdida de precisión tras la cuantización.
• Entrenamiento y cuantización sofisticados: Emplea esquemas de entrenamiento avanzados y técnicas de cuantización post-entrenamiento.
• Optimización AutoNAC y preentrenamiento: Utiliza la optimización AutoNAC y está preentrenado en conjuntos de datos destacados como COCO, Objects365 y Roboflow 100.

Estas características contribuyen a su alta precisión, rendimiento eficiente e idoneidad para la implementación en entornos de producción. Obtén más información en la sección Key Features.

Link to this section¿Qué tareas y modos son compatibles con los modelos YOLO-NAS?#

Los modelos YOLO-NAS admiten diversas tareas de detección de objetos y modos como inferencia, validación y exportación. No admiten entrenamiento. Los modelos compatibles incluyen YOLO-NAS-s, YOLO-NAS-m y YOLO-NAS-l, cada uno adaptado a diferentes capacidades computacionales y necesidades de rendimiento. Para una descripción detallada, consulta la sección Supported Tasks and Modes.

Link to this section¿Existen modelos YOLO-NAS preentrenados disponibles y cómo puedo acceder a ellos?#

Sí, Ultralytics proporciona modelos YOLO-NAS preentrenados a los que puedes acceder directamente. Estos modelos están preentrenados en conjuntos de datos como COCO, lo que garantiza un alto rendimiento tanto en velocidad como en precisión. Puedes descargar estos modelos utilizando los enlaces proporcionados en la sección Pretrained Models. Aquí tienes algunos ejemplos:

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