μ½˜ν…μΈ λ‘œ κ±΄λ„ˆλ›°κΈ°

YOLO-NAS

κ°œμš”

Developed by Deci AI, YOLO-NAS is a groundbreaking object detection foundational model. It is the product of advanced Neural Architecture Search technology, meticulously designed to address the limitations of previous YOLO models. With significant improvements in quantization support and accuracy-latency trade-offs, YOLO-NAS represents a major leap in object detection.

λͺ¨λΈ μ˜ˆμ‹œ 이미지 YOLO-NAS κ°œμš”. YOLO-NASλŠ” 졜적의 μ„±λŠ₯을 μœ„ν•΄ μ–‘μžν™” 인식 블둝과 선택적 μ–‘μžν™”λ₯Ό μ‚¬μš©ν•©λ‹ˆλ‹€. 이 λͺ¨λΈμ„ INT8 μ–‘μžν™” λ²„μ „μœΌλ‘œ λ³€ν™˜ν•˜λ©΄ 정밀도 μ €ν•˜κ°€ μ΅œμ†Œν™”λ˜μ–΄ λ‹€λ₯Έ λͺ¨λΈμ— λΉ„ν•΄ 크게 ν–₯μƒλ©λ‹ˆλ‹€. μ΄λŸ¬ν•œ λ°œμ „μ€ μ „λ‘€ μ—†λŠ” 물체 감지 κΈ°λŠ₯κ³Ό λ›°μ–΄λ‚œ μ„±λŠ₯을 κ°–μΆ˜ μš°μˆ˜ν•œ μ•„ν‚€ν…μ²˜λ‘œ 정점을 μ°μŠ΅λ‹ˆλ‹€.

μ£Όμš” κΈ°λŠ₯

  • μ–‘μžν™” μΉœν™”μ  κΈ°λ³Έ 블둝: YOLO-NASλŠ” μ–‘μžν™”μ— μΉœν™”μ μΈ μƒˆλ‘œμš΄ κΈ°λ³Έ 블둝을 λ„μž…ν•˜μ—¬ 이전 YOLO λͺ¨λΈμ˜ μ€‘μš”ν•œ ν•œκ³„ 쀑 ν•˜λ‚˜λ₯Ό ν•΄κ²°ν•©λ‹ˆλ‹€.
  • μ •κ΅ν•œ ν›ˆλ ¨ 및 μ •λŸ‰ν™”: YOLO-NASλŠ” κ³ κΈ‰ ν›ˆλ ¨ 체계와 ν›ˆλ ¨ ν›„ μ •λŸ‰ν™”λ₯Ό ν™œμš©ν•˜μ—¬ μ„±λŠ₯을 ν–₯μƒμ‹œν‚΅λ‹ˆλ‹€.
  • AutoNAC μ΅œμ ν™” 및 사전 ꡐ윑: YOLO-NASλŠ” AutoNAC μ΅œμ ν™”λ₯Ό ν™œμš©ν•˜λ©° COCO, Objects365, Roboflow 100κ³Ό 같은 μ£Όμš” 데이터 μ„ΈνŠΈμ— λŒ€ν•΄ 사전 κ΅μœ‘μ„ λ°›μŠ΅λ‹ˆλ‹€. μ΄λŸ¬ν•œ 사전 ν•™μŠ΅μ„ 톡해 ν”„λ‘œλ•μ…˜ ν™˜κ²½μ˜ λ‹€μš΄μŠ€νŠΈλ¦Ό 였브젝트 탐지 μž‘μ—…μ— 맀우 μ ν•©ν•©λ‹ˆλ‹€.

사전 ν•™μŠ΅λœ λͺ¨λΈ

Ultralytics μ—μ„œ μ œκ³΅ν•˜λŠ” 사전 ν•™μŠ΅λœ YOLO-NAS λͺ¨λΈμ„ 톡해 μ°¨μ„ΈλŒ€ 객체 κ°μ§€μ˜ κ°•λ ₯ν•œ μ„±λŠ₯을 κ²½ν—˜ν•˜μ„Έμš”. 이 λͺ¨λΈμ€ 속도와 정확도 μΈ‘λ©΄μ—μ„œ 졜고의 μ„±λŠ₯을 μ œκ³΅ν•˜λ„λ‘ μ„€κ³„λ˜μ—ˆμŠ΅λ‹ˆλ‹€. νŠΉμ • μš”κ΅¬μ‚¬ν•­μ— λ§žλŠ” λ‹€μ–‘ν•œ μ˜΅μ…˜ μ€‘μ—μ„œ μ„ νƒν•˜μ„Έμš”:

λͺ¨λΈ mAP 지연 μ‹œκ°„(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

Each model variant is designed to offer a balance between Mean Average Precision (mAP) and latency, helping you optimize your object detection tasks for both performance and speed.

μ‚¬μš© 예

Ultralytics λ₯Ό 톡해 Python μ• ν”Œλ¦¬μΌ€μ΄μ…˜μ— μ‰½κ²Œ 톡합할 수 μžˆλŠ” YOLO-NAS λͺ¨λΈμ„ λ§Œλ“€μ—ˆμŠ΅λ‹ˆλ‹€. ultralytics python νŒ¨ν‚€μ§€λ₯Ό μ‚¬μš©ν•˜μ„Έμš”. 이 νŒ¨ν‚€μ§€λŠ” μ‚¬μš©μž μΉœν™”μ μΈ Python APIλ₯Ό μ œκ³΅ν•˜μ—¬ ν”„λ‘œμ„ΈμŠ€λ₯Ό κ°„μ†Œν™”ν•©λ‹ˆλ‹€.

λ‹€μŒ μ˜ˆλŠ” YOLO-NAS λͺ¨λΈμ„ μ‚¬μš©ν•˜λŠ” 방법을 λ³΄μ—¬μ€λ‹ˆλ‹€. ultralytics νŒ¨ν‚€μ§€λ₯Ό μ‚¬μš©ν•˜μ—¬ μΆ”λ‘  및 μœ νš¨μ„± 검사λ₯Ό μˆ˜ν–‰ν•©λ‹ˆλ‹€:

μΆ”λ‘  및 μœ νš¨μ„± 검사 예제

이 μ˜ˆμ—μ„œλŠ” COCO8 데이터 μ„ΈνŠΈμ—μ„œ YOLO-NAS-s의 μœ νš¨μ„±μ„ κ²€μ‚¬ν•©λ‹ˆλ‹€.

예

이 μ˜ˆλŠ” YOLO-NAS에 λŒ€ν•œ κ°„λ‹¨ν•œ μΆ”λ‘  및 μœ νš¨μ„± 검사 μ½”λ“œλ₯Ό μ œκ³΅ν•©λ‹ˆλ‹€. μΆ”λ‘  κ²°κ³Ό μ²˜λ¦¬μ— λŒ€ν•΄μ„œλŠ” 예츑 λͺ¨λ“œλ‘œ μ„€μ •ν•©λ‹ˆλ‹€. μΆ”κ°€ λͺ¨λ“œμ™€ ν•¨κ»˜ YOLO-NASλ₯Ό μ‚¬μš©ν•˜λ €λ©΄ λ‹€μŒμ„ μ°Έμ‘°ν•˜μ„Έμš”. Val 그리고 내보내기. YOLO-NAS의 ultralytics νŒ¨ν‚€μ§€λŠ” κ΅μœ‘μ„ μ§€μ›ν•˜μ§€ μ•ŠμŠ΅λ‹ˆλ‹€.

PyTorch pretrained *.pt λͺ¨λΈ νŒŒμΌμ„ NAS() 클래슀λ₯Ό μ‚¬μš©ν•˜μ—¬ python μ—μ„œ λͺ¨λΈ μΈμŠ€ν„΄μŠ€λ₯Ό μƒμ„±ν•©λ‹ˆλ‹€:

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")

CLI λͺ…령을 μ‚¬μš©ν•˜μ—¬ λͺ¨λΈμ„ 직접 μ‹€ν–‰ν•  수 μžˆμŠ΅λ‹ˆλ‹€:

# 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

μ§€μ›λ˜λŠ” μž‘μ—… 및 λͺ¨λ“œ

YOLO-NAS λͺ¨λΈμ—λŠ” μ„Έ 가지 λ³€ν˜•μ΄ μžˆμŠ΅λ‹ˆλ‹€: μ†Œν˜•(s), μ€‘ν˜•(m), λŒ€ν˜•(l). 각 λͺ¨λΈμ€ μ„œλ‘œ λ‹€λ₯Έ 계산 및 μ„±λŠ₯ μš”κ΅¬ 사항을 μΆ©μ‘±ν•˜λ„λ‘ μ„€κ³„λ˜μ—ˆμŠ΅λ‹ˆλ‹€:

  • YOLO-NAS-s: μ»΄ν“¨νŒ… λ¦¬μ†ŒμŠ€λŠ” μ œν•œλ˜μ–΄ μžˆμ§€λ§Œ νš¨μœ¨μ„±μ΄ μ€‘μš”ν•œ ν™˜κ²½μ— μ΅œμ ν™”λ˜μ–΄ μžˆμŠ΅λ‹ˆλ‹€.
  • YOLO-NAS-m: Offers a balanced approach, suitable for general-purpose object detection with higher accuracy.
  • YOLO-NAS-l: 계산 λ¦¬μ†ŒμŠ€μ˜ μ œμ•½μ΄ 적은 졜고 정확도가 ν•„μš”ν•œ μ‹œλ‚˜λ¦¬μ˜€μ— 맞게 μ‘°μ •λ˜μ—ˆμŠ΅λ‹ˆλ‹€.

μ•„λž˜λŠ” 사전 ν•™μŠ΅λœ κ°€μ€‘μΉ˜, μ§€μ›λ˜λŠ” μž‘μ—…, λ‹€μ–‘ν•œ 운영 λͺ¨λ“œμ™€μ˜ ν˜Έν™˜μ„± 링크λ₯Ό ν¬ν•¨ν•˜μ—¬ 각 λͺ¨λΈμ— λŒ€ν•œ μžμ„Έν•œ κ°œμš”μž…λ‹ˆλ‹€.

λͺ¨λΈ μœ ν˜• 사전 ν•™μŠ΅λœ κ°€μ€‘μΉ˜ μ§€μ›λ˜λŠ” μž‘μ—… μΆ”λ‘  μœ νš¨μ„± 검사 ꡐ윑 내보내기
YOLO-NAS-s yolo_nas_s.pt 물체 감지 βœ… βœ… ❌ βœ…
YOLO-NAS-m yolo_nas_m.pt 물체 감지 βœ… βœ… ❌ βœ…
YOLO-NAS-l yolo_nas_l.pt 물체 감지 βœ… βœ… ❌ βœ…

인용 및 감사

연ꡬ λ˜λŠ” 개발 μž‘μ—…μ— YOLO-NASλ₯Ό μ‚¬μš©ν•˜λŠ” 경우 SuperGradientsλ₯Ό μΈμš©ν•΄ μ£Όμ„Έμš”:

@misc{supergradients,
      doi = {10.5281/ZENODO.7789328},
      url = {https://zenodo.org/record/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},
}

We express our gratitude to Deci AI's SuperGradients team for their efforts in creating and maintaining this valuable resource for the computer vision community. We believe YOLO-NAS, with its innovative architecture and superior object detection capabilities, will become a critical tool for developers and researchers alike.

자주 λ¬»λŠ” 질문

YOLO-NASλž€ 무엇이며 이전 YOLO λͺ¨λΈλ³΄λ‹€ μ–΄λ–»κ²Œ κ°œμ„ λ˜λ‚˜μš”?

YOLO- Deci AI μ—μ„œ κ°œλ°œν•œ NASλŠ” κ³ κΈ‰ μ‹ κ²½ ꡬ쑰 검색(NAS) κΈ°μˆ μ„ ν™œμš©ν•œ μ΅œμ²¨λ‹¨ 객체 감지 λͺ¨λΈμž…λ‹ˆλ‹€. μ–‘μžν™” μΉœν™”μ μΈ κΈ°λ³Έ 블둝과 μ •κ΅ν•œ ν›ˆλ ¨ 체계와 같은 κΈ°λŠ₯을 λ„μž…ν•˜μ—¬ 이전 YOLO λͺ¨λΈμ˜ ν•œκ³„λ₯Ό ν•΄κ²°ν•©λ‹ˆλ‹€. κ·Έ κ²°κ³Ό 특히 μ»΄ν“¨νŒ… λ¦¬μ†ŒμŠ€κ°€ μ œν•œλœ ν™˜κ²½μ—μ„œ μ„±λŠ₯이 크게 ν–₯μƒλ©λ‹ˆλ‹€. YOLO-NASλŠ” λ˜ν•œ μ–‘μžν™”λ₯Ό μ§€μ›ν•˜μ—¬ INT8 λ²„μ „μœΌλ‘œ λ³€ν™˜ν•œ κ²½μš°μ—λ„ 높은 정확도λ₯Ό μœ μ§€ν•˜λ―€λ‘œ ν”„λ‘œλ•μ…˜ ν™˜κ²½μ— λŒ€ν•œ 적합성이 ν–₯μƒλ©λ‹ˆλ‹€. μžμ„Έν•œ λ‚΄μš©μ€ κ°œμš” μ„Ήμ…˜μ„ μ°Έμ‘°ν•˜μ„Έμš”.

Python μ• ν”Œλ¦¬μΌ€μ΄μ…˜μ— YOLO-NAS λͺ¨λΈμ„ ν†΅ν•©ν•˜λ €λ©΄ μ–΄λ–»κ²Œ ν•΄μ•Ό ν•˜λ‚˜μš”?

YOLO-NAS λͺ¨λΈμ„ Python μ• ν”Œλ¦¬μΌ€μ΄μ…˜μ— μ‰½κ²Œ 톡합할 수 μžˆμŠ΅λ‹ˆλ‹€. ultralytics νŒ¨ν‚€μ§€λ₯Ό μ‚¬μš©ν•˜μ„Έμš”. λ‹€μŒμ€ 사전 ν•™μŠ΅λœ YOLO-NAS λͺ¨λΈμ„ λ‘œλ“œν•˜κ³  좔둠을 μˆ˜ν–‰ν•˜λŠ” κ°„λ‹¨ν•œ μ˜ˆμ œμž…λ‹ˆλ‹€:

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")

μžμ„Έν•œ λ‚΄μš©μ€ μΆ”λ‘  및 μœ νš¨μ„± 검사 μ˜ˆμ‹œλ₯Ό μ°Έμ‘°ν•˜μ„Έμš”.

YOLO-NAS의 μ£Όμš” κΈ°λŠ₯은 무엇이며 μ™œ μ‚¬μš©μ„ κ³ λ €ν•΄μ•Ό ν•˜λ‚˜μš”?

YOLO-NASλŠ” 물체 감지 μž‘μ—…μ— νƒμ›”ν•œ λͺ‡ 가지 μ£Όμš” κΈ°λŠ₯을 μ†Œκ°œν•©λ‹ˆλ‹€:

  • Quantization-Friendly Basic Block: Enhanced architecture that improves model performance with minimal precision drop post quantization.
  • μ •κ΅ν•œ ν›ˆλ ¨ 및 μ •λŸ‰ν™”: κ³ κΈ‰ ν›ˆλ ¨ 체계와 ν›ˆλ ¨ ν›„ μ •λŸ‰ν™” 기법을 μ‚¬μš©ν•©λ‹ˆλ‹€.
  • AutoNAC μ΅œμ ν™” 및 사전 ν•™μŠ΅: AutoNAC μ΅œμ ν™”λ₯Ό ν™œμš©ν•˜κ³  COCO, Objects365, Roboflow 100κ³Ό 같은 μ£Όμš” 데이터 μ„ΈνŠΈμ— λŒ€ν•΄ 사전 ν•™μŠ΅μ„ κ±°μ³€μŠ΅λ‹ˆλ‹€. μ΄λŸ¬ν•œ κΈ°λŠ₯은 높은 정확도, 효율적인 μ„±λŠ₯, ν”„λ‘œλ•μ…˜ ν™˜κ²½μ—μ„œμ˜ 배포 적합성에 κΈ°μ—¬ν•©λ‹ˆλ‹€. μ£Όμš” κΈ°λŠ₯ μ„Ήμ…˜μ—μ„œ μžμ„Ένžˆ μ•Œμ•„λ³΄μ„Έμš”.

YOLO-NAS λͺ¨λΈμ—μ„œ μ§€μ›λ˜λŠ” μž‘μ—… 및 λͺ¨λ“œλŠ” λ¬΄μ—‡μΈκ°€μš”?

YOLO-NAS λͺ¨λΈμ€ μΆ”λ‘ , μœ νš¨μ„± 검사, 내보내기 λ“± λ‹€μ–‘ν•œ 개체 감지 μž‘μ—…κ³Ό λͺ¨λ“œλ₯Ό μ§€μ›ν•©λ‹ˆλ‹€. νŠΈλ ˆμ΄λ‹μ€ μ§€μ›ν•˜μ§€ μ•ŠμŠ΅λ‹ˆλ‹€. μ§€μ›λ˜λŠ” λͺ¨λΈμ—λŠ” YOLO-NAS-s, YOLO-NAS-m 및 YOLO-NAS-l이 있으며, 각각 λ‹€λ₯Έ 계산 μš©λŸ‰ 및 μ„±λŠ₯ μš”κ΅¬ 사항에 맞게 μ‘°μ •λ©λ‹ˆλ‹€. μžμ„Έν•œ κ°œμš”λŠ” μ§€μ›λ˜λŠ” μž‘μ—… 및 λͺ¨λ“œ μ„Ήμ…˜μ„ μ°Έμ‘°ν•˜μ„Έμš”.

사전 ꡐ윑된 YOLO-NAS λͺ¨λΈμ„ μ‚¬μš©ν•  수 있으며 μ–΄λ–»κ²Œ μ•‘μ„ΈμŠ€ν•  수 μžˆλ‚˜μš”?

예, Ultralytics μ—μ„œ 직접 μ•‘μ„ΈμŠ€ν•  수 μžˆλŠ” 사전 ν•™μŠ΅λœ YOLO-NAS λͺ¨λΈμ„ μ œκ³΅ν•©λ‹ˆλ‹€. μ΄λŸ¬ν•œ λͺ¨λΈμ€ COCO와 같은 데이터 μ„ΈνŠΈμ— λŒ€ν•΄ 사전 ν•™μŠ΅λ˜μ–΄ 속도와 정확도 μΈ‘λ©΄μ—μ„œ λͺ¨λ‘ 높은 μ„±λŠ₯을 보μž₯ν•©λ‹ˆλ‹€. 사전 ν•™μŠ΅λœ λͺ¨λΈ μ„Ήμ…˜μ— 제곡된 링크λ₯Ό μ‚¬μš©ν•˜μ—¬ μ΄λŸ¬ν•œ λͺ¨λΈμ„ λ‹€μš΄λ‘œλ“œν•  수 μžˆμŠ΅λ‹ˆλ‹€. λ‹€μŒμ€ λͺ‡ 가지 μ˜ˆμž…λ‹ˆλ‹€:


πŸ“… Created 11 months ago ✏️ Updated 19 days ago

λŒ“κΈ€