YOLO-NAS
κ°μ
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.
YOLO-NAS κ°μ. YOLO-NASλ μ΅μ μ μ±λ₯μ μν΄ μμν μΈμ λΈλ‘κ³Ό μ νμ μμνλ₯Ό μ¬μ©ν©λλ€. μ΄ λͺ¨λΈμ INT8 μμν λ²μ μΌλ‘ λ³ννλ©΄ μ λ°λ μ νκ° μ΅μνλμ΄ λ€λ₯Έ λͺ¨λΈμ λΉν΄ ν¬κ² ν₯μλ©λλ€. μ΄λ¬ν λ°μ μ μ λ‘ μλ 물체 κ°μ§ κΈ°λ₯κ³Ό λ°μ΄λ μ±λ₯μ κ°μΆ μ°μν μν€ν μ²λ‘ μ μ μ μ°μ΅λλ€.
μ£Όμ κΈ°λ₯
- μμν μΉνμ κΈ°λ³Έ λΈλ‘: YOLO-NASλ μμνμ μΉνμ μΈ μλ‘μ΄ κΈ°λ³Έ λΈλ‘μ λμ νμ¬ μ΄μ YOLO λͺ¨λΈμ μ€μν νκ³ μ€ νλλ₯Ό ν΄κ²°ν©λλ€.
- μ κ΅ν νλ ¨ λ° μ λν: YOLO-NASλ κ³ κΈ νλ ¨ 체κ³μ νλ ¨ ν μ λνλ₯Ό νμ©νμ¬ μ±λ₯μ ν₯μμν΅λλ€.
- AutoNAC μ΅μ ν λ° μ¬μ κ΅μ‘: YOLO-NASλ AutoNAC μ΅μ νλ₯Ό νμ©νλ©° COCO, Objects365, Roboflow 100κ³Ό κ°μ μ£Όμ λ°μ΄ν° μΈνΈμ λν΄ μ¬μ κ΅μ‘μ λ°μ΅λλ€. μ΄λ¬ν μ¬μ νμ΅μ ν΅ν΄ νλ‘λμ νκ²½μ λ€μ΄μ€νΈλ¦Ό μ€λΈμ νΈ νμ§ μμ μ λ§€μ° μ ν©ν©λλ€.
μ¬μ νμ΅λ λͺ¨λΈ
Ultralytics μμ μ 곡νλ μ¬μ νμ΅λ YOLO-NAS λͺ¨λΈμ ν΅ν΄ μ°¨μΈλ κ°μ²΄ κ°μ§μ κ°λ ₯ν μ±λ₯μ κ²½ννμΈμ. μ΄ λͺ¨λΈμ μλμ μ νλ μΈ‘λ©΄μμ μ΅κ³ μ μ±λ₯μ μ 곡νλλ‘ μ€κ³λμμ΅λλ€. νΉμ μꡬμ¬νμ λ§λ λ€μν μ΅μ μ€μμ μ ννμΈμ:
λͺ¨λΈ | mAP | μ§μ° μκ°(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¬μ© μ
Ultralytics λ₯Ό ν΅ν΄ Python μ ν리μΌμ΄μ
μ μ½κ² ν΅ν©ν μ μλ YOLO-NAS λͺ¨λΈμ λ§λ€μμ΅λλ€. ultralytics
python ν¨ν€μ§λ₯Ό μ¬μ©νμΈμ. μ΄ ν¨ν€μ§λ μ¬μ©μ μΉνμ μΈ Python APIλ₯Ό μ 곡νμ¬ νλ‘μΈμ€λ₯Ό κ°μνν©λλ€.
λ€μ μλ YOLO-NAS λͺ¨λΈμ μ¬μ©νλ λ°©λ²μ 보μ¬μ€λλ€. ultralytics
ν¨ν€μ§λ₯Ό μ¬μ©νμ¬ μΆλ‘ λ° μ ν¨μ± κ²μ¬λ₯Ό μνν©λλ€:
μΆλ‘ λ° μ ν¨μ± κ²μ¬ μμ
μ΄ μμμλ COCO8 λ°μ΄ν° μΈνΈμμ YOLO-NAS-sμ μ ν¨μ±μ κ²μ¬ν©λλ€.
μ
μ΄ μλ YOLO-NASμ λν κ°λ¨ν μΆλ‘ λ° μ ν¨μ± κ²μ¬ μ½λλ₯Ό μ 곡ν©λλ€. μΆλ‘ κ²°κ³Ό μ²λ¦¬μ λν΄μλ μμΈ‘ λͺ¨λλ‘ μ€μ ν©λλ€. μΆκ° λͺ¨λμ ν¨κ» YOLO-NASλ₯Ό μ¬μ©νλ €λ©΄ λ€μμ μ°Έμ‘°νμΈμ. Val κ·Έλ¦¬κ³ λ΄λ³΄λ΄κΈ°. YOLO-NASμ ultralytics
ν¨ν€μ§λ κ΅μ‘μ μ§μνμ§ μμ΅λλ€.
PyTorch pretrained *.pt
λͺ¨λΈ νμΌμ NAS()
ν΄λμ€λ₯Ό μ¬μ©νμ¬ python μμ λͺ¨λΈ μΈμ€ν΄μ€λ₯Ό μμ±ν©λλ€:
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 λ Ήμ μ¬μ©νμ¬ λͺ¨λΈμ μ§μ μ€νν μ μμ΅λλ€:
μ§μλλ μμ λ° λͺ¨λ
YOLO-NAS λͺ¨λΈμλ μΈ κ°μ§ λ³νμ΄ μμ΅λλ€: μν(s), μ€ν(m), λν(l). κ° λͺ¨λΈμ μλ‘ λ€λ₯Έ κ³μ° λ° μ±λ₯ μꡬ μ¬νμ μΆ©μ‘±νλλ‘ μ€κ³λμμ΅λλ€:
- YOLO-NAS-s: μ»΄ν¨ν 리μμ€λ μ νλμ΄ μμ§λ§ ν¨μ¨μ±μ΄ μ€μν νκ²½μ μ΅μ νλμ΄ μμ΅λλ€.
- YOLO-NAS-m: Offers a balanced approach, suitable for general-purpose object detection with higher accuracy.
- YOLO-NAS-l: κ³μ° 리μμ€μ μ μ½μ΄ μ μ μ΅κ³ μ νλκ° νμν μλ리μ€μ λ§κ² μ‘°μ λμμ΅λλ€.
μλλ μ¬μ νμ΅λ κ°μ€μΉ, μ§μλλ μμ , λ€μν μ΄μ λͺ¨λμμ νΈνμ± λ§ν¬λ₯Ό ν¬ν¨νμ¬ κ° λͺ¨λΈμ λν μμΈν κ°μμ λλ€.
λͺ¨λΈ μ ν | μ¬μ νμ΅λ κ°μ€μΉ | μ§μλλ μμ | μΆλ‘ | μ ν¨μ± κ²μ¬ | κ΅μ‘ | λ΄λ³΄λ΄κΈ° |
---|---|---|---|---|---|---|
YOLO-NAS-s | yolo_nas_s.pt | 물체 κ°μ§ | β | β | β | β |
YOLO-NAS-m | yolo_nas_m.pt | 물체 κ°μ§ | β | β | β | β |
YOLO-NAS-l | yolo_nas_l.pt | 물체 κ°μ§ | β | β | β | β |
μΈμ© λ° κ°μ¬
μ°κ΅¬ λλ κ°λ° μμ μ YOLO-NASλ₯Ό μ¬μ©νλ κ²½μ° SuperGradientsλ₯Ό μΈμ©ν΄ μ£ΌμΈμ:
@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.
μμ£Ό 묻λ μ§λ¬Έ
YOLO-NASλ 무μμ΄λ©° μ΄μ YOLO λͺ¨λΈλ³΄λ€ μ΄λ»κ² κ°μ λλμ?
YOLO- Deci AI μμ κ°λ°ν NASλ κ³ κΈ μ κ²½ ꡬ쑰 κ²μ(NAS) κΈ°μ μ νμ©ν μ΅μ²¨λ¨ κ°μ²΄ κ°μ§ λͺ¨λΈμ λλ€. μμν μΉνμ μΈ κΈ°λ³Έ λΈλ‘κ³Ό μ κ΅ν νλ ¨ 체κ³μ κ°μ κΈ°λ₯μ λμ νμ¬ μ΄μ YOLO λͺ¨λΈμ νκ³λ₯Ό ν΄κ²°ν©λλ€. κ·Έ κ²°κ³Ό νΉν μ»΄ν¨ν 리μμ€κ° μ νλ νκ²½μμ μ±λ₯μ΄ ν¬κ² ν₯μλ©λλ€. YOLO-NASλ λν μμνλ₯Ό μ§μνμ¬ INT8 λ²μ μΌλ‘ λ³νν κ²½μ°μλ λμ μ νλλ₯Ό μ μ§νλ―λ‘ νλ‘λμ νκ²½μ λν μ ν©μ±μ΄ ν₯μλ©λλ€. μμΈν λ΄μ©μ κ°μ μΉμ μ μ°Έμ‘°νμΈμ.
Python μ ν리μΌμ΄μ μ YOLO-NAS λͺ¨λΈμ ν΅ν©νλ €λ©΄ μ΄λ»κ² ν΄μΌ νλμ?
YOLO-NAS λͺ¨λΈμ Python μ ν리μΌμ΄μ
μ μ½κ² ν΅ν©ν μ μμ΅λλ€. ultralytics
ν¨ν€μ§λ₯Ό μ¬μ©νμΈμ. λ€μμ μ¬μ νμ΅λ YOLO-NAS λͺ¨λΈμ λ‘λνκ³ μΆλ‘ μ μννλ κ°λ¨ν μμ μ
λλ€:
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")
μμΈν λ΄μ©μ μΆλ‘ λ° μ ν¨μ± κ²μ¬ μμλ₯Ό μ°Έμ‘°νμΈμ.
YOLO-NASμ μ£Όμ κΈ°λ₯μ 무μμ΄λ©° μ μ¬μ©μ κ³ λ €ν΄μΌ νλμ?
YOLO-NASλ 물체 κ°μ§ μμ μ νμν λͺ κ°μ§ μ£Όμ κΈ°λ₯μ μκ°ν©λλ€:
- Quantization-Friendly Basic Block: Enhanced architecture that improves model performance with minimal precision drop post quantization.
- μ κ΅ν νλ ¨ λ° μ λν: κ³ κΈ νλ ¨ 체κ³μ νλ ¨ ν μ λν κΈ°λ²μ μ¬μ©ν©λλ€.
- AutoNAC μ΅μ ν λ° μ¬μ νμ΅: AutoNAC μ΅μ νλ₯Ό νμ©νκ³ COCO, Objects365, Roboflow 100κ³Ό κ°μ μ£Όμ λ°μ΄ν° μΈνΈμ λν΄ μ¬μ νμ΅μ κ±°μ³€μ΅λλ€. μ΄λ¬ν κΈ°λ₯μ λμ μ νλ, ν¨μ¨μ μΈ μ±λ₯, νλ‘λμ νκ²½μμμ λ°°ν¬ μ ν©μ±μ κΈ°μ¬ν©λλ€. μ£Όμ κΈ°λ₯ μΉμ μμ μμΈν μμ보μΈμ.
YOLO-NAS λͺ¨λΈμμ μ§μλλ μμ λ° λͺ¨λλ 무μμΈκ°μ?
YOLO-NAS λͺ¨λΈμ μΆλ‘ , μ ν¨μ± κ²μ¬, λ΄λ³΄λ΄κΈ° λ± λ€μν κ°μ²΄ κ°μ§ μμ κ³Ό λͺ¨λλ₯Ό μ§μν©λλ€. νΈλ μ΄λμ μ§μνμ§ μμ΅λλ€. μ§μλλ λͺ¨λΈμλ YOLO-NAS-s, YOLO-NAS-m λ° YOLO-NAS-lμ΄ μμΌλ©°, κ°κ° λ€λ₯Έ κ³μ° μ©λ λ° μ±λ₯ μꡬ μ¬νμ λ§κ² μ‘°μ λ©λλ€. μμΈν κ°μλ μ§μλλ μμ λ° λͺ¨λ μΉμ μ μ°Έμ‘°νμΈμ.
μ¬μ κ΅μ‘λ YOLO-NAS λͺ¨λΈμ μ¬μ©ν μ μμΌλ©° μ΄λ»κ² μ‘μΈμ€ν μ μλμ?
μ, Ultralytics μμ μ§μ μ‘μΈμ€ν μ μλ μ¬μ νμ΅λ YOLO-NAS λͺ¨λΈμ μ 곡ν©λλ€. μ΄λ¬ν λͺ¨λΈμ COCOμ κ°μ λ°μ΄ν° μΈνΈμ λν΄ μ¬μ νμ΅λμ΄ μλμ μ νλ μΈ‘λ©΄μμ λͺ¨λ λμ μ±λ₯μ 보μ₯ν©λλ€. μ¬μ νμ΅λ λͺ¨λΈ μΉμ μ μ 곡λ λ§ν¬λ₯Ό μ¬μ©νμ¬ μ΄λ¬ν λͺ¨λΈμ λ€μ΄λ‘λν μ μμ΅λλ€. λ€μμ λͺ κ°μ§ μμ λλ€: