YOLO-NAS#

概要#

Deci AIによって開発されたYOLO-NASは、画期的な物体検出基盤モデルです。これは、高度なニューラルアーキテクチャサーチ技術の成果であり、従来のYOLOモデルの制限に対処するために綿密に設計されています。量子化サポートと精度とレイテンシのトレードオフが大幅に改善されており、YOLO-NASは物体検出における大きな飛躍を実現しています。

YOLO-NASの概要。 YOLO-NASは、最適なパフォーマンスを実現するために、量子化対応ブロックと選択的量子化を採用しています。モデルをINT8量子化バージョンに変換した場合でも、精度の低下は最小限に抑えられ、他のモデルと比べて大幅に改善されています。これらの進歩により、卓越した物体検出能力と優れたパフォーマンスを備えた、より優れたアーキテクチャが実現されています。

主な特徴#

• 量子化に適した基本ブロック: YOLO-NASは量子化に適した新しい基本ブロックを導入し、従来のYOLOモデルにおける重要な制限の1つに対処しています。
• 高度なトレーニングと量子化: YOLO-NASは、高度なトレーニング手法とトレーニング後量子化を活用してパフォーマンスを向上させています。
• AutoNACの最適化と事前トレーニング: YOLO-NASはAutoNACの最適化を活用し、COCO、Objects365、Roboflow 100などの主要なデータセットで事前トレーニングされています。この事前トレーニングにより、実運用環境における下流の物体検出タスクに非常に適しています。

事前トレーニング済みモデル#

Ultralyticsが提供する事前トレーニング済みYOLO-NASモデルで、次世代の物体検出の性能を体験できます。これらのモデルは、速度と精度の両方で優れたパフォーマンスを発揮するように設計されています。特定のニーズに合わせて、さまざまなオプションから選択できます。

各モデルバリアントは、平均適合率 (mAP)とレイテンシのバランスを提供するように設計されており、パフォーマンスと速度の両面で物体検出タスクを最適化できます。

使用例#

Ultralyticsは、ultralytics Pythonパッケージを使用して、YOLO-NASモデルをご自身のPythonアプリケーションに簡単に統合できるようにしています。このパッケージは、そのプロセスを効率化するための使いやすいPython APIを提供します。

以下の例では、ultralyticsパッケージを使用してYOLO-NASモデルで推論と検証を行う方法を示します。

推論と検証の例#

この例では、COCO8データセットでYOLO-NAS-sを検証します。

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")

サポートされるタスクとモード#

YOLO-NASモデルには、Small (s)、Medium (m)、Large (l)の3つのバリアントがあります。各バリアントは、異なる計算リソースとパフォーマンスのニーズに対応するように設計されています。

• YOLO-NAS-s: 計算リソースが限られている一方で、効率性が重要な環境向けに最適化されています。
• YOLO-NAS-m: バランスの取れたアプローチを提供し、より高い精度が求められる汎用的な物体検出に適しています。
• YOLO-NAS-l: 計算リソースの制約が比較的少なく、最高精度が必要なシナリオ向けに調整されています。

以下では、各モデルの詳細な概要として、事前トレーニング済みの重みへのリンク、サポートされるタスク、さまざまな動作モードとの互換性を示します。

引用と謝辞#

研究または開発でYOLO-NASを使用する場合は、SuperGradientsを引用してください。

@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},
}

この貴重なリソースをコンピュータビジョンコミュニティ向けに作成・維持している、Deci AIのSuperGradientsチームに感謝します。革新的なアーキテクチャと優れた物体検出能力を備えたYOLO-NASは、開発者と研究者の双方にとって重要なツールになると考えています。

FAQ#