YOLO-NAS#

Descripción general#

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

Resumen de YOLO-NAS. YOLO-NAS emplea bloques conscientes de la cuantización y cuantización selectiva para un rendimiento óptimo. El modelo, cuando se convierte a su versión cuantizada INT8, experimenta una caída de precisión mínima, una mejora significativa en comparación con otros modelos. Estos avances culminan en una arquitectura superior con capacidades de detección de objetos sin precedentes y un rendimiento sobresaliente.

Características 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.

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 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, lo que te ayuda a optimizar tus tareas de detección de objetos tanto en rendimiento como en velocidad.

Ejemplos de uso#

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

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

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 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 object detection de propósito 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.

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

FAQ#