YOLO-NAS#
YOLO-NAS의 원조 개발사인 Deci가 NVIDIA에 인수되었습니다. 결과적으로 이 모델들은 더 이상 Deci에서 적극적으로 유지보수하지 않습니다. Ultralytics는 이러한 모델의 사용을 계속 지원하지만, 원조 팀으로부터의 추가 업데이트는 예상되지 않습니다.
개요#
Deci AI가 개발한 YOLO-NAS는 획기적인 객체 검출 파운데이션 모델입니다. 이 모델은 고급 Neural Architecture Search 기술의 산물이며, 이전 YOLO 모델의 한계를 해결하기 위해 세심하게 설계되었습니다. 양자화 지원 및 정확도-지연 시간 트레이드오프에서 상당한 개선을 이룬 YOLO-NAS는 객체 검출 분야에서 큰 도약을 나타냅니다.
YOLO-NAS 개요. YOLO-NAS는 최적의 성능을 위해 양자화 인식 블록과 선택적 양자화를 채택합니다. 이 모델은 INT8 양자화 버전으로 변환될 때 정밀도 저하가 최소화되며, 이는 다른 모델에 비해 크게 개선된 점입니다. 이러한 발전은 전례 없는 객체 검출 기능과 뛰어난 성능을 갖춘 우수한 아키텍처로 이어집니다.
주요 특징#
- 양자화 친화적 기본 블록: YOLO-NAS는 이전 YOLO 모델들의 중대한 한계 중 하나를 해결하는, 양자화에 친화적인 새로운 기본 블록을 도입했습니다.
- 정교한 학습 및 양자화: YOLO-NAS는 성능을 향상하기 위해 고급 학습 체계와 학습 후 양자화를 활용합니다.
- AutoNAC 최적화 및 사전 학습: YOLO-NAS는 AutoNAC 최적화를 사용하며 COCO, Objects365, Roboflow 100과 같은 주요 데이터셋에서 사전 학습되었습니다. 이러한 사전 학습 덕분에 프로덕션 환경에서의 하위 객체 탐지 작업에 매우 적합합니다.
사전 학습된 모델#
Ultralytics에서 제공하는 사전 학습된 YOLO-NAS 모델로 차세대 객체 탐지의 강력함을 경험하십시오. 이 모델들은 속도와 정확도 측면에서 최고 수준의 성능을 제공하도록 설계되었습니다. 사용자의 특정 요구 사항에 맞춰 다양한 옵션 중에서 선택할 수 있습니다.
| 모델 | mAP | 지연 시간 (ms) |
|---|---|---|
| YOLO-NAS S | 47.5 | 3.21 |
| YOLO-NAS M | 51.55 | 5.85 |
| YOLO-NAS L | 52.22 | 7.87 |
| YOLO-NAS S INT-8 | 47.03 | 2.36 |
| YOLO-NAS M INT-8 | 51.0 | 3.78 |
| YOLO-NAS L INT-8 | 52.1 | 4.78 |
각 모델 변형은 Mean Average Precision(mAP)과 지연 시간 사이의 균형을 제공하도록 설계되어, 성능과 속도 모두에 맞게 객체 검출 작업을 최적화하는 데 도움을 줍니다.
사용 예제#
Ultralytics는 ultralytics 파이썬 패키지를 통해 YOLO-NAS 모델을 Python 애플리케이션에 쉽게 통합할 수 있도록 만들었습니다. 이 패키지는 프로세스를 간소화하기 위해 사용자 친화적인 Python API를 제공합니다.
다음 예제들은 추론 및 검증을 위해 ultralytics 패키지와 함께 YOLO-NAS 모델을 사용하는 방법을 보여줍니다.
추론 및 검증 예제#
이 예제에서는 COCO8 데이터셋에서 YOLO-NAS-s를 검증합니다.
이 예제는 YOLO-NAS를 위한 간단한 추론 및 검증 코드를 제공합니다. 추론 결과 처리에 대해서는 Predict 모드를 참조하세요. 추가 모드와 함께 YOLO-NAS를 사용하는 방법은 Val 및 Export를 참조하세요. ultralytics 패키지의 YOLO-NAS는 학습을 지원하지 않습니다.
PyTorch 사전 학습된 *.pt 모델 파일은 python에서 모델 인스턴스를 생성하기 위해 NAS() 클래스에 전달될 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 작업 및 모드#
YOLO-NAS 모델의 세 가지 변형(Small(s), Medium(m), Large(l))을 제공합니다. 각 변형은 서로 다른 계산 및 성능 요구 사항을 충족하도록 설계되었습니다:
- YOLO-NAS-s: 계산 자원이 제한적이지만 효율성이 핵심인 환경에 최적화되었습니다.
- YOLO-NAS-m: 균형 잡힌 접근 방식을 제공하며, 더 높은 정확도로 범용 object detection에 적합합니다.
- YOLO-NAS-l: 계산 자원 제약이 적고 최고 수준의 정확도가 필요한 시나리오에 맞게 조정되었습니다.
아래는 사전 학습된 가중치 링크, 지원 작업 및 다양한 운영 모드와의 호환성을 포함한 각 모델의 상세 개요입니다.
| 모델 유형 | 사전 학습된 가중치 | 지원되는 작업 | 학습 | 검증 | 추론 | 내보내기(Export) |
|---|---|---|---|---|---|---|
| YOLO-NAS-s | yolo_nas_s.pt | 객체 탐지 | ❌ | ✅ | ✅ | ✅ |
| YOLO-NAS-m | yolo_nas_m.pt | 객체 탐지 | ❌ | ✅ | ✅ | ✅ |
| YOLO-NAS-l | yolo_nas_l.pt | 객체 탐지 | ❌ | ✅ | ✅ | ✅ |
인용 및 감사의 글#
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},
}computer vision 커뮤니티를 위한 이 가치 있는 리소스를 만들고 유지 관리해 주신 Deci AI의 SuperGradients 팀의 노력에 깊은 감사를 드립니다. YOLO-NAS는 혁신적인 아키텍처와 뛰어난 객체 검출 기능을 바탕으로 개발자와 연구자 모두에게 핵심적인 도구가 될 것으로 믿습니다.
FAQ#
Deci AI가 개발한 YOLO-NAS는 고급 Neural Architecture Search (NAS) 기술을 활용한 최첨단 객체 검출 모델입니다. 양자화 친화적인 기본 블록 및 정교한 학습 체계와 같은 기능을 도입하여 이전 YOLO 모델의 한계를 해결합니다. 그 결과, 특히 제한된 연산 자원을 가진 환경에서 성능이 크게 향상되었습니다. 또한 YOLO-NAS는 양자화를 지원하여 INT8 버전으로 변환할 때도 높은 정확도를 유지하므로 프로덕션 환경에 더 적합합니다. 자세한 내용은 Overview 섹션을 참조하세요.
ultralytics패키지를 사용하여 Python 애플리케이션에 YOLO-NAS 모델을 쉽게 통합할 수 있습니다. 사전 학습된 YOLO-NAS 모델을 로드하고 추론을 수행하는 간단한 예제는 다음과 같습니다: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 Inference and Validation Examples를 참조하세요.
YOLO-NAS는 객체 탐지 작업에 탁월한 선택이 될 수 있는 몇 가지 핵심 기능을 도입했습니다:
- 양자화 친화적 기본 블록: 양자화 후 precision 저하를 최소화하면서 모델 성능을 향상시키는 개선된 아키텍처.
- 정교한 학습 및 양자화: 고급 학습 체계와 학습 후 양자화 기술을 채택했습니다.
- AutoNAC 최적화 및 사전 학습: AutoNAC 최적화를 사용하며 COCO, Objects365, Roboflow 100과 같은 주요 데이터셋에서 사전 학습되었습니다.
이러한 기능들은 높은 정확도, 효율적인 성능, 그리고 프로덕션 환경 배포 적합성에 기여합니다. 자세한 내용은 Key Features 섹션에서 확인하세요.
YOLO-NAS 모델은 추론, 검증, 내보내기와 같은 다양한 객체 검출 작업 및 모드를 지원합니다. 학습은 지원하지 않습니다. 지원되는 모델에는 YOLO-NAS-s, YOLO-NAS-m, YOLO-NAS-l이 포함되며, 각 모델은 서로 다른 연산 용량과 성능 요구 사항에 맞춰져 있습니다. 자세한 개요는 Supported Tasks and Modes 섹션을 참조하세요.
네, Ultralytics는 직접 액세스할 수 있는 사전 학습된 YOLO-NAS 모델을 제공합니다. 이 모델들은 COCO와 같은 데이터셋에 대해 미리 학습되어 있어 속도와 정확도 측면 모두에서 높은 성능을 보장합니다. Pretrained Models 섹션에 제공된 링크를 사용하여 이 모델들을 다운로드할 수 있습니다. 다음은 몇 가지 예제입니다: