Saltar al contenido

YOLO-NAS

Visi贸n general

Desarrollado por Deci AI, YOLO-NAS es un innovador modelo fundacional de detecci贸n de objetos. Es el producto de una avanzada tecnolog铆a de B煤squeda de Arquitectura Neuronal, meticulosamente dise帽ada para abordar las limitaciones de los modelos anteriores de YOLO . Con mejoras significativas en el soporte de cuantizaci贸n y en la compensaci贸n entre precisi贸n y latencia, YOLO-NAS representa un gran salto en la detecci贸n de objetos.

Modelo de imagen de ejemplo Visi贸n general de YOLO-NAS. YOLO-NAS emplea bloques conscientes de la cuantizaci贸n y cuantizaci贸n selectiva para un rendimiento 贸ptimo. El modelo, cuando se convierte a su versi贸n cuantificada INT8, experimenta una ca铆da de precisi贸n m铆nima, una mejora significativa respecto a otros modelos. Estos avances culminan en una arquitectura superior con una capacidad de detecci贸n de objetos sin precedentes y un rendimiento extraordinario.

Caracter铆sticas principales

  • Bloque b谩sico amigable con la cuantizaci贸n: YOLO-NAS introduce un nuevo bloque b谩sico amigable con la cuantizaci贸n, que aborda una de las limitaciones significativas de los modelos anteriores de YOLO .
  • Entrenamiento y cuantificaci贸n sofisticados: YOLO-NAS aprovecha los esquemas de entrenamiento avanzados y la cuantificaci贸n post-entrenamiento para mejorar el rendimiento.
  • Optimizaci贸n AutoNAC y preentrenamiento: YOLO-NAS utiliza la optimizaci贸n AutoNAC y est谩 preentrenado en conjuntos de datos destacados como COCO, Objects365 y Roboflow 100. Este preentrenamiento lo hace muy adecuado para tareas posteriores de detecci贸n de objetos en entornos de producci贸n.

Modelos preentrenados

Experimenta la potencia de la detecci贸n de objetos de nueva generaci贸n con los modelos YOLO-NAS preentrenados que proporciona Ultralytics. Estos modelos est谩n dise帽ados para ofrecer un rendimiento de primera categor铆a, tanto en velocidad como en precisi贸n. Elige entre una variedad de opciones adaptadas a tus necesidades espec铆ficas:

Modelo mAP Latencia (ms)
YOLO-NAS S 47.5 3.21
YOLO-NAS M 51.55 5.85
YOLO-NAS L 52.22 7.87
YOLO-NAS S INT-8 47.03 2.36
YOLO-NAS M INT-8 51.0 3.78
YOLO-NAS L INT-8 52.1 4.78

Cada variante del modelo est谩 dise帽ada para ofrecer un equilibrio entre la Precisi贸n Media Media (mAP) y la latencia, ayud谩ndote a optimizar tus tareas de detecci贸n de objetos tanto en rendimiento como en velocidad.

Ejemplos de uso

Ultralytics ha hecho que los modelos YOLO-NAS sean f谩ciles de integrar en tus aplicaciones Python a trav茅s de nuestro ultralytics python paquete. El paquete proporciona una API Python f谩cil de usar para agilizar el proceso.

Los siguientes ejemplos muestran c贸mo utilizar YOLO-NAS con los modelos ultralytics para la inferencia y la validaci贸n:

Ejemplos de inferencia y validaci贸n

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

Ejemplo

Este ejemplo proporciona un c贸digo sencillo de inferencia y validaci贸n para YOLO-NAS. Para manejar los resultados de la inferencia, consulta Predecir modo. Para utilizar YOLO-NAS con modos adicionales, consulta Val y Exportar. YOLO-NAS en el ultralytics El paquete no admite formaci贸n.

PyTorch preentrenado *.pt Los archivos de los modelos pueden pasarse a NAS() para crear una instancia del modelo en python:

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')

CLI para ejecutar directamente los modelos:

# Load a COCO-pretrained YOLO-NAS-s model and validate it's performance on the COCO8 example dataset
yolo val model=yolo_nas_s.pt data=coco8.yaml

# Load a COCO-pretrained YOLO-NAS-s model and run inference on the 'bus.jpg' image
yolo predict model=yolo_nas_s.pt source=path/to/bus.jpg

Tareas y modos admitidos

Ofrecemos tres variantes de los modelos YOLO-NAS: Peque帽o (s), Mediano (m) y Grande (l). Cada variante est谩 dise帽ada para satisfacer diferentes necesidades inform谩ticas y de rendimiento:

  • YOLO-NAS-s: Optimizado para entornos en los que los recursos inform谩ticos son limitados pero la eficiencia es clave.
  • YOLO-NAS-m: Ofrece un enfoque equilibrado, adecuado para la detecci贸n de objetos de uso general con mayor precisi贸n.
  • YOLO-NAS-l: Adaptado para escenarios que requieren la m谩xima precisi贸n, en los que los recursos inform谩ticos son menos limitantes.

A continuaci贸n encontrar谩s un resumen detallado de cada modelo, incluyendo enlaces a sus pesos preentrenados, las tareas que admiten y su compatibilidad con distintos modos de funcionamiento.

Tipo de modelo Pesos preentrenados Tareas admitidas Inferencia Validaci贸n Formaci贸n Exportar
YOLO-NAS-s yolo_nas_s.pt Detecci贸n de objetos
YOLO-NAS-m yolo_nas_m.pt Detecci贸n de objetos
YOLO-NAS-l yolo_nas_l.pt Detecci贸n de objetos

Citas y agradecimientos

Si empleas YOLO-NAS en tu trabajo de investigaci贸n o desarrollo, cita los SuperGradientes:

@misc{supergradients,
      doi = {10.5281/ZENODO.7789328},
      url = {https://zenodo.org/record/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 SuperGradientes de Deci AI por sus esfuerzos en la creaci贸n y mantenimiento de este valioso recurso para la comunidad de visi贸n por ordenador. Creemos que YOLO-NAS, con su arquitectura innovadora y sus capacidades superiores de detecci贸n de objetos, se convertir谩 en una herramienta fundamental tanto para desarrolladores como para investigadores.

Palabras clave: YOLO-NAS, Deci AI, detecci贸n de objetos, aprendizaje profundo, b煤squeda de arquitectura neuronal, Ultralytics Python API, YOLO modelo, SuperGradientes, modelos preentrenados, bloque b谩sico de cuantificaci贸n f谩cil, esquemas de entrenamiento avanzados, cuantificaci贸n post-entrenamiento, optimizaci贸n AutoNAC, COCO, Objects365, Roboflow 100



Creado 2023-11-12, Actualizado 2024-01-14
Autores: glenn-jocher (7)

Comentarios