YOLO-NAS

개요

Deci AI가 개발한 YOLO-NAS는 획기적인 객체 detect 기반 모델입니다. 이는 이전 YOLO 모델의 한계를 해결하기 위해 정교하게 설계된 고급 신경망 아키텍처 검색 기술의 산물입니다. 양자화 지원 및 정확도-지연 시간 트레이드오프의 상당한 개선을 통해 YOLO-NAS는 객체 detect 분야에서 큰 도약을 의미합니다.

YOLO-NAS 개요. YOLO-NAS는 최적의 성능을 위해 양자화 인식 블록과 선택적 양자화를 사용합니다. 이 모델은 INT8 양자화 버전으로 변환될 때 정밀도 저하가 최소화되어, 다른 모델에 비해 상당한 개선을 이룹니다. 이러한 발전은 전례 없는 객체 detect 기능과 뛰어난 성능을 갖춘 우수한 아키텍처로 귀결됩니다.

주요 기능

• 양자화 친화적인 기본 블록: YOLO-NAS는 양자화에 친화적인 새로운 기본 블록을 도입하여, 이전 YOLO 모델의 중요한 한계 중 하나를 해결합니다.
• 정교한 훈련 및 양자화: YOLO-NAS는 고급 훈련 방식과 훈련 후 양자화를 활용하여 성능을 향상시킵니다.
• AutoNAC 최적화 및 사전 학습: YOLO-NAS는 AutoNAC 최적화를 활용하며 COCO, Objects365, Roboflow 100과 같은 주요 데이터셋으로 사전 학습되었습니다. 이러한 사전 학습은 프로덕션 환경의 후속 객체 detect 작업에 매우 적합하게 만듭니다.

사전 훈련된 모델

Ultralytics가 제공하는 사전 학습된 YOLO-NAS 모델로 차세대 객체 detect의 강력함을 경험하십시오. 이 모델들은 속도와 정확도 면에서 최고의 성능을 제공하도록 설계되었습니다. 특정 요구 사항에 맞춰진 다양한 옵션 중에서 선택하십시오.

각 모델 변형은 평균 정밀도 (mAP)와 지연 시간 사이의 균형을 제공하도록 설계되어, 성능과 속도 모두에서 객체 detect 작업을 최적화하는 데 도움이 됩니다.

사용 예시

Ultralytics는 YOLO-NAS 모델을 당사의 방법을 통해 python 애플리케이션에 쉽게 통합할 수 있도록 했습니다. ultralytics python 패키지를 제공합니다. 이 패키지는 프로세스를 간소화하는 사용자 친화적인 Python API를 제공합니다.

다음 예시는 다음을 사용하여 YOLO-NAS 모델을 사용하는 방법을 보여줍니다. ultralytics 추론 및 유효성 검사를 위한 패키지:

추론 및 유효성 검사 예제

이 예시에서는 COCO8 데이터셋에서 YOLO-NAS-s를 검증합니다.

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")

# 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

지원되는 작업 및 모드

저희는 YOLO-NAS 모델의 세 가지 변형인 Small (s), Medium (m), Large (l)를 제공합니다. 각 변형은 다양한 계산 및 성능 요구 사항을 충족하도록 설계되었습니다.

• YOLO-NAS-s: 계산 리소스가 제한적이지만 효율성이 중요한 환경에 최적화되어 있습니다.
• YOLO-NAS-m: 더 높은 정확도로 범용 객체 detect에 적합한 균형 잡힌 접근 방식을 제공합니다.
• YOLO-NAS-l: 계산 리소스 제약이 덜한 최고 정확도가 요구되는 시나리오에 맞춰져 있습니다.

아래는 각 모델에 대한 자세한 개요로, 사전 학습된 가중치 링크, 지원하는 작업, 그리고 다양한 작동 모드와의 호환성을 포함합니다.

인용 및 감사의 말씀

연구 또는 개발 작업에 YOLO-NAS를 사용하는 경우 SuperGradients를 인용해 주십시오.

@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},
}

저희는 컴퓨터 비전 커뮤니티를 위한 이 귀중한 리소스를 만들고 유지하는 데 기여한 Deci AI의 SuperGradients 팀에 감사를 표합니다. 혁신적인 아키텍처와 뛰어난 객체 detect 기능을 갖춘 YOLO-NAS가 개발자와 연구자 모두에게 중요한 도구가 될 것이라고 믿습니다.

FAQ

YOLO-NAS는 무엇이며, 이전 YOLO 모델에 비해 어떻게 개선되었습니까?

Deci AI가 개발한 YOLO-NAS는 고급 신경망 아키텍처 검색(NAS) 기술을 활용하는 최첨단 객체 detect 모델입니다. 이 모델은 양자화 친화적인 기본 블록과 정교한 훈련 방식과 같은 기능을 도입하여 이전 YOLO 모델의 한계를 해결합니다. 이는 특히 제한된 계산 리소스 환경에서 성능을 크게 향상시킵니다. 또한 YOLO-NAS는 양자화를 지원하여 INT8 버전으로 변환될 때도 높은 정확도를 유지하며, 이는 프로덕션 환경에 대한 적합성을 높입니다. 자세한 내용은 개요 섹션을 참조하십시오.

YOLO-NAS 모델을 Python 애플리케이션에 어떻게 통합할 수 있습니까?

다음을 사용하여 YOLO-NAS 모델을 python 애플리케이션에 쉽게 통합할 수 있습니다. ultralytics 패키지. 다음은 사전 학습된 YOLO-NAS 모델을 로드하고 추론을 수행하는 간단한 예시입니다.

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")

자세한 내용은 추론 및 유효성 검사 예제를 참조하십시오.

YOLO-NAS의 주요 기능은 무엇이며, 왜 사용을 고려해야 합니까?

YOLO-NAS는 객체 detect 작업에 있어 탁월한 선택이 되도록 하는 몇 가지 주요 기능을 도입합니다.

• 양자화 친화적인 기본 블록: 양자화 후 최소한의 정밀도 손실로 모델 성능을 향상시키는 향상된 아키텍처입니다.
• 정교한 훈련 및 양자화: 고급 훈련 체계 및 훈련 후 양자화 기술을 사용합니다.
• AutoNAC 최적화 및 사전 학습: AutoNAC 최적화를 활용하며 COCO, Objects365, Roboflow 100과 같은 주요 데이터셋으로 사전 학습되었습니다.

이러한 기능은 높은 정확도, 효율적인 성능 및 프로덕션 환경에서의 배포 적합성에 기여합니다. 자세한 내용은 주요 기능 섹션을 참조하십시오.

YOLO-NAS 모델은 어떤 작업과 모드를 지원합니까?

YOLO-NAS 모델은 추론(inference), 검증(validation), 내보내기(export)와 같은 다양한 객체 detect 작업 및 모드를 지원합니다. 학습(training)은 지원하지 않습니다. 지원되는 모델에는 YOLO-NAS-s, YOLO-NAS-m, YOLO-NAS-l이 있으며, 각각 다른 연산 능력과 성능 요구 사항에 맞춰져 있습니다. 자세한 내용은 지원되는 작업 및 모드 섹션을 참조하십시오.

사전 학습된 YOLO-NAS 모델을 사용할 수 있나요? 어떻게 접근하나요?

네, Ultralytics는 직접 접근할 수 있는 사전 학습된 YOLO-NAS 모델을 제공합니다. 이 모델들은 COCO와 같은 데이터셋으로 사전 학습되어 속도와 정확도 면에서 높은 성능을 보장합니다. 사전 학습된 모델 섹션에 제공된 링크를 사용하여 이 모델들을 다운로드할 수 있습니다. 몇 가지 예시는 다음과 같습니다.

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

5; 2 년 전에 생성됨 ✏️ 5 전에 업데이트됨

댓글