YOLO-NAS#

Présentation#

Développé par Deci AI, YOLO-NAS est un modèle fondamental révolutionnaire pour la détection d’objets. Il est le fruit d’une technologie avancée de recherche d’architecture neuronale, soigneusement conçue pour remédier aux limites des précédents modèles YOLO. Avec des améliorations significatives de la prise en charge de la quantification et du compromis entre précision et latence, YOLO-NAS représente une avancée majeure en détection d’objets.

Présentation de YOLO-NAS. YOLO-NAS utilise des blocs sensibles à la quantification ainsi qu’une quantification sélective pour offrir des performances optimales. Lorsque le modèle est converti en version quantifiée INT8, la perte de précision est minime, ce qui constitue une amélioration significative par rapport aux autres modèles. Ces avancées aboutissent à une architecture supérieure, dotée de capacités de détection d’objets inédites et de performances exceptionnelles.

Fonctionnalités clés#

• Bloc de base adapté à la quantification : YOLO-NAS introduit un nouveau bloc de base adapté à la quantification, qui remédie à l’une des principales limites des précédents modèles YOLO.
• Entraînement et quantification avancés : YOLO-NAS exploite des stratégies d’entraînement avancées et la quantification après entraînement pour améliorer les performances.
• Optimisation AutoNAC et préentraînement : YOLO-NAS utilise l’optimisation AutoNAC et est préentraîné sur des jeux de données de premier plan comme COCO, Objects365 et Roboflow 100. Ce préentraînement le rend particulièrement adapté aux tâches de détection d’objets en aval dans les environnements de production.

Modèles préentraînés#

Découvre la puissance de la détection d’objets de nouvelle génération avec les modèles YOLO-NAS préentraînés proposés par Ultralytics. Ces modèles sont conçus pour offrir des performances de premier ordre en matière de vitesse comme de précision. Choisis parmi plusieurs options adaptées à tes besoins spécifiques :

Chaque variante de modèle est conçue pour équilibrer la précision moyenne moyenne (mAP) et la latence, afin de t’aider à optimiser tes tâches de détection d’objets en matière de performances et de vitesse.

Exemples d'utilisation#

Ultralytics facilite l’intégration des modèles YOLO-NAS dans tes applications Python grâce à notre paquet Python ultralytics. Ce paquet fournit une API Python conviviale qui simplifie le processus.

Les exemples suivants montrent comment utiliser les modèles YOLO-NAS avec le paquet ultralytics pour l’inférence et la validation :

Exemples d’inférence et de validation#

Dans cet exemple, nous validons YOLO-NAS-s sur le jeu de données COCO8.

from ultralytics import NAS

# Charger un modèle YOLO-NAS-s préentraîné sur COCO
model = NAS("yolo_nas_s.pt")

# Afficher les informations du modèle (facultatif)
model.info()

# Valider le modèle sur le jeu de données d’exemple COCO8
results = model.val(data="coco8.yaml")

# Lancer l’inférence avec le modèle YOLO-NAS-s sur l’image 'bus.jpg'
results = model("path/to/bus.jpg")

Tâches et modes pris en charge#

Nous proposons trois variantes des modèles YOLO-NAS : Small (s), Medium (m) et Large (l). Chaque variante est conçue pour répondre à différents besoins en matière de calcul et de performances :

• YOLO-NAS-s : optimisé pour les environnements où les ressources de calcul sont limitées, mais où l’efficacité est essentielle.
• YOLO-NAS-m : offre une approche équilibrée, adaptée à la détection d’objets à usage général avec une précision accrue.
• YOLO-NAS-l : adapté aux scénarios exigeant une précision maximale, où les ressources de calcul sont moins limitées.

Voici un aperçu détaillé de chaque modèle, avec des liens vers ses poids préentraînés, les tâches prises en charge et sa compatibilité avec les différents modes de fonctionnement.

Citations et remerciements#

Si tu utilises YOLO-NAS dans tes travaux de recherche ou de développement, cite 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},
}

Nous remercions l’équipe SuperGradients de Deci AI pour ses efforts consacrés à la création et à la maintenance de cette ressource précieuse pour la communauté de la vision par ordinateur. Nous pensons que YOLO-NAS, grâce à son architecture innovante et à ses capacités supérieures de détection d’objets, deviendra un outil essentiel pour les développeurs comme pour les chercheurs.

FAQ#