Ultralytics YOLO27:

YOLO-NAS#

중요 업데이트

YOLO-NAS의 최초 개발사인 Deci가 NVIDIA에 인수되었다는 점에 유의하시기 바랍니다. 이에 따라 Deci는 더 이상 이러한 모델을 적극적으로 유지 관리하지 않습니다. Ultralytics는 계속해서 이러한 모델의 사용을 지원하지만, 최초 개발팀의 추가 업데이트는 제공되지 않을 예정입니다.

개요#

Deci AI가 개발한 YOLO-NAS는 획기적인 객체 탐지 기반 모델입니다. 이 모델은 고급 Neural Architecture Search 기술을 기반으로 하며, 이전 YOLO 모델의 한계를 해결하도록 세심하게 설계되었습니다. 양자화 지원과 정확도-지연 시간 절충이 크게 개선된 YOLO-NAS는 객체 탐지 분야에서 중대한 도약을 보여줍니다.

COCO 벤치마크에서 YOLO-NAS 모델의 정확도 비교 YOLO-NAS 개요. YOLO-NAS는 최적의 성능을 위해 양자화 인식 블록과 선택적 양자화를 사용합니다. 모델을 INT8 양자화 버전으로 변환해도 정밀도가 거의 감소하지 않으며, 이는 다른 모델에 비해 크게 향상된 결과입니다. 이러한 발전은 탁월한 객체 탐지 성능과 전례 없는 기능을 갖춘 우수한 아키텍처로 이어집니다.

주요 기능#

  • 양자화 친화적 기본 블록: YOLO-NAS는 양자화에 친화적인 새로운 기본 블록을 도입하여 이전 YOLO 모델의 주요 한계 중 하나를 해결합니다.
  • 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 사용하며 COCO, Objects365, Roboflow 100과 같은 주요 데이터셋으로 사전 학습됩니다. 이러한 사전 학습 덕분에 프로덕션 환경의 다운스트림 객체 탐지 작업에 매우 적합합니다.

사전 학습 모델#

Ultralytics가 제공하는 사전 학습된 YOLO-NAS 모델로 차세대 객체 탐지의 강력한 성능을 경험해 보십시오. 이러한 모델은 속도와 정확도 모두에서 뛰어난 성능을 제공하도록 설계되었습니다. 특정 요구 사항에 맞게 구성된 다양한 옵션 중에서 선택할 수 있습니다:

성능
모델mAP지연 시간 (ms)
YOLO-NAS S47.53.21
YOLO-NAS M51.555.85
YOLO-NAS L52.227.87
YOLO-NAS S INT-847.032.36
YOLO-NAS M INT-851.03.78
YOLO-NAS L INT-852.14.78

각 모델 변형은 평균 정밀도 (mAP)와 지연 시간 간의 균형을 제공하도록 설계되어 성능과 속도 모두에 맞게 객체 탐지 작업을 최적화할 수 있도록 지원합니다.

사용 예시#

Ultralytics는 당사의 ultralytics Python 패키지를 통해 YOLO-NAS 모델을 사용자의 Python 애플리케이션에 쉽게 통합할 수 있도록 지원합니다. 해당 패키지는 프로세스를 간소화하기 위한 사용자 친화적인 Python API를 제공합니다.

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

추론 및 검증 예제#

이 예제에서는 COCO8 데이터셋을 사용하여 YOLO-NAS-s를 검증합니다.

예시

이 예제는 YOLO-NAS를 위한 간단한 추론 및 검증 코드를 제공합니다. 추론 결과를 처리하는 방법은 Predict 모드를 참조하십시오. 추가 모드에서 YOLO-NAS를 사용하는 방법은 Val 및 Export를 참조하십시오. ultralytics 패키지의 YOLO-NAS는 학습을 지원하지 않습니다.

PyTorch 사전 학습된 *.pt 모델 파일은 NAS() 클래스에 전달하여 Python에서 모델 인스턴스를 생성할 수 있습니다.

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 태스크 및 모드#

YOLO-NAS 모델은 Small(s), Medium(m), Large(l)의 세 가지 변형을 제공합니다. 각 변형은 서로 다른 컴퓨팅 및 성능 요구 사항에 맞도록 설계되었습니다:

  • YOLO-NAS-s: 컴퓨팅 리소스가 제한적이지만 효율성이 중요한 환경에 맞게 최적화되었습니다.
  • YOLO-NAS-m: 더 높은 정확도의 일반 목적 객체 탐지에 적합한 균형 잡힌 접근 방식을 제공합니다.
  • YOLO-NAS-l: 컴퓨팅 리소스가 주요 제약 조건이 아닌 환경에서 최고 수준의 정확도가 필요한 시나리오에 맞게 설계되었습니다.

아래에서는 각 모델의 사전 학습 가중치 링크, 지원하는 작업, 다양한 작동 모드와의 호환성을 포함한 상세한 개요를 제공합니다.

모델 유형사전 학습된 가중치지원되는 작업학습검증추론내보내기
YOLO-NAS-syolo_nas_s.ptObject Detection❌✅✅✅
YOLO-NAS-myolo_nas_m.ptObject Detection❌✅✅✅
YOLO-NAS-lyolo_nas_l.ptObject Detection❌✅✅✅

인용 및 감사의 글#

연구 또는 개발 작업에서 YOLO-NAS를 사용하는 경우 SuperGradients를 인용해 주시기 바랍니다:

인용문
@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},
}

귀중한 이 리소스를 컴퓨터 비전 커뮤니티를 위해 만들고 유지 관리해 온 Deci AI의 SuperGradients 팀에 감사의 뜻을 전합니다. 혁신적인 아키텍처와 뛰어난 객체 탐지 기능을 갖춘 YOLO-NAS가 개발자와 연구자 모두에게 중요한 도구가 될 것이라고 믿습니다.

FAQ#

  • Deci AI가 개발한 YOLO-NAS는 고급 Neural Architecture Search (NAS) 기술을 활용하는 최첨단 객체 탐지 모델입니다. 양자화 친화적인 기본 블록과 정교한 학습 방식 등의 기능을 도입하여 이전 YOLO 모델의 한계를 해결합니다. 그 결과 특히 컴퓨팅 리소스가 제한된 환경에서 성능이 크게 향상됩니다. 또한 YOLO-NAS는 양자화를 지원하여 INT8 버전으로 변환한 후에도 높은 정확도를 유지하므로 프로덕션 환경에 더욱 적합합니다. 자세한 내용은 개요 섹션을 참조하십시오.

  • ultralytics 패키지를 사용하면 YOLO-NAS 모델을 Python 애플리케이션에 쉽게 통합할 수 있습니다. 다음은 사전 학습된 YOLO-NAS 모델을 로드하고 추론을 수행하는 간단한 예제입니다:

    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 예제를 참조하십시오.

  • YOLO-NAS는 객체 탐지 작업에 탁월한 선택이 되도록 하는 몇 가지 주요 기능을 도입합니다:

    • 양자화 친화적 기본 블록: 양자화 후 정밀도 저하를 최소화하면서 모델 성능을 향상하는 개선된 아키텍처입니다.
    • 정교한 학습 및 양자화: 고급 학습 방식과 학습 후 양자화 기술을 사용합니다.
    • AutoNAC 최적화 및 사전 학습: AutoNAC 최적화를 사용하며 COCO, Objects365, Roboflow 100과 같은 주요 데이터셋으로 사전 학습됩니다.

    이러한 기능은 높은 정확도와 효율적인 성능을 제공하며 프로덕션 환경에 배포하기에 적합하도록 합니다. 자세한 내용은 주요 기능 섹션에서 확인하십시오.

  • YOLO-NAS 모델은 추론, 검증, 내보내기와 같은 다양한 객체 탐지 작업 및 모드를 지원합니다. 학습은 지원하지 않습니다. 지원되는 모델에는 YOLO-NAS-s, YOLO-NAS-m, YOLO-NAS-l이 있으며, 각 모델은 서로 다른 컴퓨팅 용량과 성능 요구 사항에 맞게 설계되었습니다. 자세한 개요는 지원되는 작업 및 모드 섹션을 참조하십시오.

  • 예, Ultralytics는 직접 이용할 수 있는 사전 학습된 YOLO-NAS 모델을 제공합니다. 이러한 모델은 COCO와 같은 데이터셋으로 사전 학습되어 속도와 정확도 모두에서 높은 성능을 보장합니다. 사전 학습 모델 섹션에 제공된 링크를 사용하여 이러한 모델을 다운로드할 수 있습니다. 몇 가지 예는 다음과 같습니다:

기여자
GLglenn-jocher24RIRizwanMunawar2Y-Y-T-G2RAraimbekovm1PDpderrenger1LALaughing-q1MAMatthewNoyce1

댓글