YOLO-NAS

개요

Deci AI가 개발한 YOLO-NAS는 획기적인 객체 감지 기반 모델입니다. 이전 YOLO 모델의 한계를 해결하기 위해 세심하게 설계된 고급 신경망 아키텍처 탐색(NAS) 기술의 산물입니다. 양자화 지원과 정확도-지연 시간 트레이드오프에서의 상당한 개선으로 YOLO-NAS는 객체 감지 분야의 큰 도약을 나타냅니다.

YOLO-NAS 개요. YOLO-NAS는 최적의 성능을 위해 양자화 인식 블록과 선택적 양자화를 활용합니다. 이 모델은 INT8 양자화 버전으로 변환될 때 최소한의 정밀도 저하를 경험하며, 이는 다른 모델에 비해 상당한 개선 사항입니다. 이러한 발전들은 전례 없는 객체 감지 능력과 뛰어난 성능을 갖춘 우수한 아키텍처로 완성됩니다.

주요 기능

• 양자화 친화적인 기본 블록: YOLO-NAS는 이전 YOLO 모델의 중요한 한계 중 하나를 해결하는 양자화에 친화적인 새로운 기본 블록을 도입합니다.
• 정교한 학습 및 양자화: YOLO-NAS는 성능 향상을 위해 고급 학습 방식과 학습 후 양자화를 활용합니다.
• AutoNAC 최적화 및 사전 학습: YOLO-NAS는 AutoNAC 최적화를 활용하며 COCO, Objects365, Roboflow 100과 같은 주요 데이터셋에서 사전 학습되었습니다. 이 사전 학습을 통해 프로덕션 환경에서의 다운스트림 객체 감지 작업에 매우 적합합니다.

사전 학습된 모델

Ultralytics에서 제공하는 사전 학습된 YOLO-NAS 모델로 차세대 객체 감지의 성능을 경험해 보세요. 이 모델들은 속도와 정확도 모두에서 최고 수준의 성능을 제공하도록 설계되었습니다. 특정 요구 사항에 맞게 조정된 다양한 옵션 중에서 선택하세요:

각 모델 변형은 평균 정밀도(mAP)와 지연 시간 간의 균형을 제공하도록 설계되어 성능과 속도 모두를 위해 객체 감지 작업을 최적화하는 데 도움이 됩니다.

사용 예시

Ultralytics는 ultralytics Python 패키지를 통해 YOLO-NAS 모델을 Python 애플리케이션에 쉽게 통합할 수 있도록 했습니다. 이 패키지는 프로세스를 간소화하기 위한 사용자 친화적인 Python API를 제공합니다.

다음 예시는 추론 및 검증을 위해 ultralytics 패키지와 함께 YOLO-NAS 모델을 사용하는 방법을 보여줍니다:

추론 및 검증 예시

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")

지원되는 작업 및 모드

저희는 YOLO-NAS 모델의 세 가지 변형을 제공합니다: Small(s), Medium(m), Large(l). 각 변형은 서로 다른 컴퓨팅 및 성능 요구 사항을 충족하도록 설계되었습니다:

• YOLO-NAS-s: 컴퓨팅 리소스가 제한되지만 효율성이 핵심인 환경에 최적화되었습니다.
• YOLO-NAS-m: 균형 잡힌 접근 방식을 제공하며, 더 높은 정확도의 범용 객체 감지에 적합합니다.
• YOLO-NAS-l: 컴퓨팅 리소스에 제약이 덜한 환경에서 최고의 정확도가 요구되는 시나리오에 맞게 조정되었습니다.

다음은 사전 학습된 가중치 링크, 지원하는 작업, 다양한 운영 모드와의 호환성을 포함한 각 모델의 상세 개요입니다.

인용 및 감사의 말씀

연구나 개발 작업에 YOLO-NAS를 사용하시는 경우 SuperGradients를 인용해 주세요:

@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},
}

컴퓨터 비전 커뮤니티를 위해 이 귀중한 리소스를 만들고 유지 관리하는 데 노력해 주신 Deci AI의 SuperGradients 팀에 감사드립니다. 저희는 혁신적인 아키텍처와 뛰어난 객체 감지 능력을 갖춘 YOLO-NAS가 개발자와 연구자 모두에게 중요한 도구가 될 것이라고 믿습니다.

자주 묻는 질문

YOLO-NAS란 무엇이며 이전 YOLO 모델과 어떻게 다른가요?

Deci AI가 개발한 YOLO-NAS는 고급 신경망 아키텍처 탐색(NAS) 기술을 활용한 최첨단 객체 감지 모델입니다. 양자화 친화적인 기본 블록과 정교한 학습 방식과 같은 기능을 도입하여 이전 YOLO 모델의 한계를 해결합니다. 이를 통해 특히 컴퓨팅 리소스가 제한된 환경에서 성능이 크게 향상됩니다. YOLO-NAS는 양자화도 지원하여 INT8 버전으로 변환할 때도 높은 정확도를 유지하여 프로덕션 환경에서의 적합성을 향상시킵니다. 자세한 내용은 개요 섹션을 참조하세요.

Python 애플리케이션에 YOLO-NAS 모델을 어떻게 통합할 수 있나요?

ultralytics 패키지를 사용하여 YOLO-NAS 모델을 Python 애플리케이션에 쉽게 통합할 수 있습니다. 사전 학습된 YOLO-NAS 모델을 로드하고 추론을 수행하는 간단한 예시를 보여드리겠습니다:

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 검증 예시를 참조하세요.

YOLO-NAS의 주요 기능은 무엇이며 왜 사용을 고려해야 하나요?

YOLO-NAS는 객체 감지 작업에서 탁월한 선택이 되게 하는 여러 핵심 기능을 도입합니다:

• 양자화 친화적인 기본 블록: 양자화 후 최소한의 정밀도 저하로 모델 성능을 향상시키는 향상된 아키텍처.
• 정교한 학습 및 양자화: 고급 학습 방식과 학습 후 양자화 기술을 활용합니다.
• AutoNAC 최적화 및 사전 학습: AutoNAC 최적화를 활용하며 COCO, Objects365, Roboflow 100과 같은 주요 데이터셋에서 사전 학습됩니다.

이러한 기능들은 높은 정확도, 효율적인 성능 및 프로덕션 환경에서의 배포 적합성에 기여합니다. 주요 기능 섹션에서 자세히 알아보세요.

YOLO-NAS 모델에서 지원되는 작업 및 모드는 무엇인가요?

YOLO-NAS 모델은 추론, 검증, 내보내기와 같은 다양한 객체 감지 작업 및 모드를 지원합니다. 학습은 지원하지 않습니다. 지원되는 모델에는 YOLO-NAS-s, YOLO-NAS-m, YOLO-NAS-l이 포함되며, 각각 다른 컴퓨팅 용량과 성능 요구 사항에 맞게 조정되어 있습니다. 자세한 개요는 지원되는 작업 및 모드 섹션을 참조하세요.

사전 학습된 YOLO-NAS 모델이 있나요? 어떻게 액세스하나요?

네, Ultralytics는 직접 액세스할 수 있는 사전 학습된 YOLO-NAS 모델을 제공합니다. 이 모델들은 COCO와 같은 데이터셋에서 사전 학습되어 속도와 정확도 모두에서 높은 성능을 보장합니다. 사전 학습된 모델 섹션에 제공된 링크를 사용하여 이 모델들을 다운로드할 수 있습니다. 다음은 몇 가지 예시입니다:

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