सामग्री पर जाएं

YOLO-एनएएस

विहंगावलोकन

द्वारा विकसित Deci AI, YOLO-NAS एक अभूतपूर्व वस्तु का पता लगाने वाला मूलभूत मॉडल है। यह उन्नत तंत्रिका वास्तुकला खोज तकनीक का उत्पाद है, जिसे पिछले की सीमाओं को संबोधित करने के लिए सावधानीपूर्वक डिज़ाइन किया गया है YOLO मॉडल। परिमाणीकरण समर्थन और सटीकता-विलंबता व्यापार-नापसंद में महत्वपूर्ण सुधार के साथ, YOLO-NAS ऑब्जेक्ट डिटेक्शन में एक बड़ी छलांग का प्रतिनिधित्व करता है।

मॉडल उदाहरण छवि का अवलोकन YOLO-एनएएस। YOLO-NAS इष्टतम प्रदर्शन के लिए परिमाणीकरण-जागरूक ब्लॉक और चयनात्मक परिमाणीकरण को नियोजित करता है। मॉडल, जब अपने INT8 मात्रात्मक संस्करण में परिवर्तित हो जाता है, तो न्यूनतम सटीक गिरावट का अनुभव होता है, जो अन्य मॉडलों पर एक महत्वपूर्ण सुधार है। ये प्रगति अभूतपूर्व वस्तु का पता लगाने की क्षमताओं और उत्कृष्ट प्रदर्शन के साथ एक बेहतर वास्तुकला में समाप्त होती है।

प्रमुख विशेषताऐं

  • परिमाणीकरण-अनुकूल बेसिक ब्लॉक: YOLO-NAS एक नया बुनियादी ब्लॉक पेश करता है जो परिमाणीकरण के अनुकूल है, जो पिछले की महत्वपूर्ण सीमाओं में से एक को संबोधित करता है YOLO मॉडल।
  • परिष्कृत प्रशिक्षण और परिमाणीकरण: YOLO-NAS प्रदर्शन को बढ़ाने के लिए उन्नत प्रशिक्षण योजनाओं और प्रशिक्षण के बाद परिमाणीकरण का लाभ उठाता है।
  • ऑटोनैक अनुकूलन और पूर्व प्रशिक्षण: YOLO-NAS AutoNAC अनुकूलन का उपयोग करता है और COCO, Objects365, और जैसे प्रमुख डेटासेट पर पूर्व-प्रशिक्षित है Roboflow 100. यह पूर्व-प्रशिक्षण उत्पादन वातावरण में डाउनस्ट्रीम ऑब्जेक्ट डिटेक्शन कार्यों के लिए बेहद उपयुक्त बनाता है।

पूर्व-प्रशिक्षित मॉडल

पूर्व-प्रशिक्षित के साथ अगली पीढ़ी की वस्तु का पता लगाने की शक्ति का अनुभव करें YOLO-NAS मॉडल द्वारा प्रदान किए गए Ultralytics. इन मॉडलों को गति और सटीकता दोनों के मामले में शीर्ष प्रदर्शन देने के लिए डिज़ाइन किया गया है। अपनी विशिष्ट आवश्यकताओं के अनुरूप विभिन्न विकल्पों में से चुनें:

को गढ़ना मानचित्र विलंबता (एमएस)
YOLO-एनएएस एस 47.5 3.21
YOLO-एनएएस एम 51.55 5.85
YOLO-एनएएस एल 52.22 7.87
YOLO-एनएएस एस इंट-8 47.03 2.36
YOLO-एनएएस एम इंट-8 51.0 3.78
YOLO-एनएएस एल आईएनटी-8 52.1 4.78

प्रत्येक मॉडल संस्करण को मीन एवरेज प्रिसिजन (एमएपी) और विलंबता के बीच संतुलन प्रदान करने के लिए डिज़ाइन किया गया है, जिससे आपको प्रदर्शन और गति दोनों के लिए अपने ऑब्जेक्ट डिटेक्शन कार्यों को अनुकूलित करने में मदद मिलती है।

उपयोग के उदाहरण

Ultralytics बनाया है YOLO-NAS मॉडल आपके में एकीकृत करना आसान है Python हमारे माध्यम से आवेदन ultralytics python पैकेज। पैकेज एक उपयोगकर्ता के अनुकूल प्रदान करता है Python प्रक्रिया को कारगर बनाने के लिए एपीआई।

निम्न उदाहरण उपयोग करने का तरीका दिखाते हैं YOLO-NAS मॉडल के साथ ultralytics अनुमान और सत्यापन के लिए पैकेज:

अनुमान और सत्यापन उदाहरण

इस उदाहरण में हम मान्य करते हैं YOLO-NAS-s COCO8 डेटासेट पर।

उदाहरण

यह उदाहरण के लिए सरल अनुमान और सत्यापन कोड प्रदान करता है YOLO-एनएएस। अनुमान परिणामों को संभालने के लिए देखें भविष्‍यवाणी करना मोड समूह। उपयोग करने के लिए YOLO-NAS अतिरिक्त मोड के साथ देखें वैल और निर्यातित माल. YOLO-NAS पर ultralytics पैकेज प्रशिक्षण का समर्थन नहीं करता है।

PyTorch पूर्व-प्रशिक्षित *.pt मॉडल फ़ाइलों को पास किया जा सकता है NAS() में एक मॉडल उदाहरण बनाने के लिए वर्ग 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 मॉडल को सीधे चलाने के लिए कमांड उपलब्ध हैं:

# 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

समर्थित कार्य और मोड

हम इसके तीन वेरिएंट पेश करते हैं YOLO-NAS मॉडल: छोटे (s), मध्यम (m), और बड़े (l)। प्रत्येक संस्करण को विभिन्न कम्प्यूटेशनल और प्रदर्शन आवश्यकताओं को पूरा करने के लिए डिज़ाइन किया गया है:

  • YOLO-NAS-s: उन वातावरणों के लिए अनुकूलित जहां कम्प्यूटेशनल संसाधन सीमित हैं लेकिन दक्षता महत्वपूर्ण है।
  • YOLO-NAS-m: एक संतुलित दृष्टिकोण प्रदान करता है, जो उच्च सटीकता के साथ सामान्य-उद्देश्य वाली वस्तु का पता लगाने के लिए उपयुक्त है।
  • YOLO-NAS-l: उच्चतम सटीकता की आवश्यकता वाले परिदृश्यों के लिए अनुरूप, जहां कम्प्यूटेशनल संसाधन एक बाधा से कम हैं।

नीचे प्रत्येक मॉडल का विस्तृत अवलोकन दिया गया है, जिसमें उनके पूर्व-प्रशिक्षित वजन के लिंक, उनके द्वारा समर्थित कार्य और विभिन्न ऑपरेटिंग मोड के साथ उनकी संगतता शामिल है।

मॉडल प्रकार पूर्व-प्रशिक्षित वजन समर्थित कार्य अनुमान मान्यता प्रशिक्षण निर्यातित माल
YOLO-एनएएस-एस yolo_nas_s.पीटी वस्तु का पता लगाना
YOLO-एनएएस-एम yolo_nas_m.पीटी वस्तु का पता लगाना
YOLO-एनएएस-एल yolo_nas_l.पीटी वस्तु का पता लगाना

प्रशंसा पत्र और पावती

यदि आप रोजगार करते हैं YOLO-NAS अपने शोध या विकास कार्य में, कृपया SuperGradients का हवाला दें:

@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},
}

हम इसके प्रति आभार व्यक्त करते हैं Deci AIकंप्यूटर दृष्टि समुदाय के लिए इस मूल्यवान संसाधन को बनाने और बनाए रखने में उनके प्रयासों के लिए SuperGradients टीम। हम मानते हैं YOLO-NAS, अपनी अभिनव वास्तुकला और बेहतर वस्तु का पता लगाने की क्षमताओं के साथ, डेवलपर्स और शोधकर्ताओं के लिए समान रूप से एक महत्वपूर्ण उपकरण बन जाएगा।

खोजशब्दों: YOLO-एनएएस, Deci AI, वस्तु का पता लगाने, गहरी शिक्षा, तंत्रिका वास्तुकला खोज, Ultralytics Python एपीआई, YOLO मॉडल, सुपरग्रेडिएट्स, पूर्व-प्रशिक्षित मॉडल, परिमाणीकरण-अनुकूल बुनियादी ब्लॉक, उन्नत प्रशिक्षण योजनाएं, प्रशिक्षण के बाद परिमाणीकरण, ऑटोनैक अनुकूलन, कोको, ऑब्जेक्ट्स 365, Roboflow 100



2023-11-12 बनाया गया, अपडेट किया गया 2024-01-14
लेखक: ग्लेन-जोचर (7)

टिप्पणियाँ