Link to this sectionYOLO-NAS#

Link to this sectionPanoramica#

Sviluppato da Deci AI, YOLO-NAS è un modello fondamentale all'avanguardia per il rilevamento di oggetti. È il prodotto di un'avanzata tecnologia di Neural Architecture Search, meticolosamente progettata per superare i limiti dei precedenti modelli YOLO. Con miglioramenti significativi nel supporto alla quantizzazione e nei compromessi tra accuratezza e latenza, YOLO-NAS rappresenta un grande passo avanti nel rilevamento di oggetti.

Panoramica di YOLO-NAS. YOLO-NAS impiega blocchi sensibili alla quantizzazione e una quantizzazione selettiva per prestazioni ottimali. Il modello, quando convertito nella sua versione quantizzata INT8, subisce una minima perdita di precisione, un miglioramento significativo rispetto ad altri modelli. Questi progressi culminano in un'architettura superiore con capacità di rilevamento di oggetti senza precedenti e prestazioni eccezionali.

Link to this sectionCaratteristiche principali#

• Blocco base ottimizzato per la quantizzazione: YOLO-NAS introduce un nuovo blocco base che è ottimizzato per la quantizzazione, affrontando una delle limitazioni significative dei precedenti modelli YOLO.
• Addestramento e quantizzazione sofisticati: YOLO-NAS sfrutta schemi di addestramento avanzati e la quantizzazione post-addestramento per migliorare le prestazioni.
• Ottimizzazione AutoNAC e pre-addestramento: YOLO-NAS utilizza l'ottimizzazione AutoNAC ed è pre-addestrato su dataset di rilievo come COCO, Objects365 e Roboflow 100. Questo pre-addestramento lo rende estremamente adatto per attività di rilevamento di oggetti a valle in ambienti di produzione.

Link to this sectionModelli pre-addestrati#

Prova la potenza del rilevamento di oggetti di prossima generazione con i modelli YOLO-NAS pre-addestrati forniti da Ultralytics. Questi modelli sono progettati per offrire prestazioni di alto livello in termini di velocità e accuratezza. Scegli tra una varietà di opzioni su misura per le tue esigenze specifiche:

Ogni variante di modello è progettata per offrire un equilibrio tra Mean Average Precision (mAP) e latenza, aiutandoti a ottimizzare le tue attività di rilevamento di oggetti sia per le prestazioni che per la velocità.

Link to this sectionEsempi di Utilizzo#

Ultralytics ha reso i modelli YOLO-NAS facili da integrare nelle tue applicazioni Python tramite il nostro pacchetto python ultralytics. Il pacchetto fornisce una API Python facile da usare per semplificare il processo.

I seguenti esempi mostrano come utilizzare i modelli YOLO-NAS con il pacchetto ultralytics per inferenza e validazione:

Link to this sectionEsempi di inferenza e validazione#

In questo esempio validiamo YOLO-NAS-s sul dataset 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 sectionCompiti e modalità supportati#

Offriamo tre varianti dei modelli YOLO-NAS: Small (s), Medium (m) e Large (l). Ogni variante è progettata per soddisfare diverse esigenze computazionali e di prestazione:

• YOLO-NAS-s: Ottimizzato per ambienti in cui le risorse computazionali sono limitate ma l'efficienza è fondamentale.
• YOLO-NAS-m: Offre un approccio bilanciato, adatto al rilevamento di oggetti generico con un'accuratezza superiore.
• YOLO-NAS-l: Adatto a scenari che richiedono la massima accuratezza, dove le risorse computazionali sono meno vincolanti.

Di seguito trovi una panoramica dettagliata di ogni modello, inclusi i link ai pesi pre-addestrati, le attività supportate e la compatibilità con diverse modalità operative.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi YOLO-NAS nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare 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},
}

Esprimiamo la nostra gratitudine al team di SuperGradients di Deci AI per il loro impegno nel creare e mantenere questa risorsa preziosa per la comunità di visione artificiale. Crediamo che YOLO-NAS, con la sua architettura innovativa e le sue capacità superiori di rilevamento di oggetti, diventerà uno strumento fondamentale sia per gli sviluppatori che per i ricercatori.

Link to this sectionFAQ#

Link to this sectionCos'è YOLO-NAS e come migliora rispetto ai precedenti modelli YOLO?#

YOLO-NAS, sviluppato da Deci AI, è un modello di rilevamento di oggetti all'avanguardia che sfrutta la tecnologia avanzata di Neural Architecture Search (NAS). Risolve le limitazioni dei precedenti modelli YOLO introducendo funzionalità come blocchi base ottimizzati per la quantizzazione e schemi di addestramento sofisticati. Ciò comporta miglioramenti significativi nelle prestazioni, in particolare in ambienti con risorse computazionali limitate. YOLO-NAS supporta anche la quantizzazione, mantenendo un'elevata accuratezza anche quando convertito nella versione INT8, migliorando la sua idoneità per gli ambienti di produzione. Per ulteriori dettagli, consulta la sezione Panoramica.

Link to this sectionCome posso integrare i modelli YOLO-NAS nella mia applicazione Python?#

Puoi integrare facilmente i modelli YOLO-NAS nella tua applicazione Python usando il pacchetto ultralytics. Ecco un semplice esempio di come caricare un modello YOLO-NAS pre-addestrato ed eseguire l'inferenza:

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")

Per ulteriori informazioni, fai riferimento agli Esempi di inferenza e validazione.

Link to this sectionQuali sono le caratteristiche principali di YOLO-NAS e perché dovrei considerare di utilizzarlo?#

YOLO-NAS introduce diverse caratteristiche chiave che lo rendono una scelta superiore per le attività di rilevamento di oggetti:

• Blocco base ottimizzato per la quantizzazione: Architettura migliorata che incrementa le prestazioni del modello con una perdita di precisione minima dopo la quantizzazione.
• Addestramento e quantizzazione sofisticati: Impiega schemi di addestramento avanzati e tecniche di quantizzazione post-addestramento.
• Ottimizzazione AutoNAC e pre-addestramento: Utilizza l'ottimizzazione AutoNAC ed è pre-addestrato su dataset di rilievo come COCO, Objects365 e Roboflow 100.

Queste caratteristiche contribuiscono alla sua elevata accuratezza, alle prestazioni efficienti e all'idoneità per il deployment in ambienti di produzione. Scopri di più nella sezione Caratteristiche chiave.

Link to this sectionQuali attività e modalità sono supportate dai modelli YOLO-NAS?#

I modelli YOLO-NAS supportano varie attività di rilevamento di oggetti e modalità come inferenza, validazione ed esportazione. Non supportano l'addestramento. I modelli supportati includono YOLO-NAS-s, YOLO-NAS-m e YOLO-NAS-l, ognuno adattato a diverse capacità computazionali ed esigenze di prestazione. Per una panoramica dettagliata, fai riferimento alla sezione Attività e modalità supportate.

Link to this sectionSono disponibili modelli YOLO-NAS pre-addestrati e come posso accedervi?#

Sì, Ultralytics fornisce modelli YOLO-NAS pre-addestrati a cui puoi accedere direttamente. Questi modelli sono pre-addestrati su dataset come COCO, garantendo prestazioni elevate in termini di velocità e accuratezza. Puoi scaricare questi modelli utilizzando i link forniti nella sezione Modelli pre-addestrati. Ecco alcuni esempi:

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