YOLO-NAS#

Visão geral#

Desenvolvido pela Deci AI, o YOLO-NAS é um modelo fundamental inovador de deteção de objetos. É o produto de uma tecnologia avançada de Pesquisa de Arquitetura Neural, meticulosamente concebida para resolver as limitações dos modelos YOLO anteriores. Com melhorias significativas no suporte à quantização e nas relações de compromisso entre precisão e latência, o YOLO-NAS representa um grande salto na deteção de objetos.

Visão geral do YOLO-NAS. O YOLO-NAS utiliza blocos conscientes da quantização e quantização seletiva para obter um desempenho ideal. Quando convertido para a sua versão quantizada INT8, o modelo sofre uma perda mínima de precisão, uma melhoria significativa em relação a outros modelos. Estes avanços culminam numa arquitetura superior, com capacidades de deteção de objetos sem precedentes e um desempenho excecional.

Principais funcionalidades#

• Bloco básico otimizado para quantização: o YOLO-NAS introduz um novo bloco básico otimizado para quantização, resolvendo uma das limitações significativas dos modelos YOLO anteriores.
• Treino e quantização sofisticados: o YOLO-NAS utiliza esquemas avançados de treino e quantização pós-treino para melhorar o desempenho.
• Otimização e pré-treino com AutoNAC: o YOLO-NAS utiliza a otimização AutoNAC e é pré-treinado em conjuntos de dados importantes, como COCO, Objects365 e Roboflow 100. Este pré-treino torna-o extremamente adequado para tarefas de deteção de objetos posteriores em ambientes de produção.

Modelos pré-treinados#

Experimenta o poder da deteção de objetos de próxima geração com os modelos YOLO-NAS pré-treinados fornecidos pela Ultralytics. Estes modelos foram concebidos para oferecer um desempenho de topo tanto em velocidade como em precisão. Escolhe entre várias opções adaptadas às tuas necessidades específicas:

Cada variante do modelo foi concebida para oferecer um equilíbrio entre a precisão média média (mAP) e a latência, ajudando-te a otimizar as tuas tarefas de deteção de objetos tanto para o desempenho como para a velocidade.

Exemplos de utilização#

A Ultralytics tornou os modelos YOLO-NAS fáceis de integrar nas tuas aplicações em Python através do nosso pacote Python ultralytics. O pacote fornece uma API em Python fácil de usar para otimizar o processo.

Os exemplos seguintes mostram como utilizar modelos YOLO-NAS com o pacote ultralytics para inferência e validação:

Exemplos de inferência e validação#

Neste exemplo, validamos o YOLO-NAS-s no conjunto de dados COCO8.

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")

Tarefas e modos suportados#

Disponibilizamos três variantes dos modelos YOLO-NAS: Pequena (s), Média (m) e Grande (l). Cada variante foi concebida para responder a diferentes necessidades computacionais e de desempenho:

• YOLO-NAS-s: otimizado para ambientes onde os recursos computacionais são limitados, mas a eficiência é essencial.
• YOLO-NAS-m: oferece uma abordagem equilibrada, adequada para deteção de objetos de utilização geral com maior precisão.
• YOLO-NAS-l: adaptado a cenários que exigem a maior precisão, onde os recursos computacionais são menos limitativos.

Segue-se uma visão geral detalhada de cada modelo, incluindo ligações aos respetivos pesos pré-treinados, as tarefas que suportam e a compatibilidade com diferentes modos de funcionamento.

Citações e agradecimentos#

Se utilizares YOLO-NAS no teu trabalho de investigação ou desenvolvimento, cita o SuperGradients:

@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},
}

Agradecemos à equipa SuperGradients da Deci AI pelos seus esforços na criação e manutenção deste recurso valioso para a comunidade de visão computacional. Acreditamos que o YOLO-NAS, com a sua arquitetura inovadora e capacidades superiores de deteção de objetos, se tornará uma ferramenta essencial tanto para programadores como para investigadores.

Perguntas frequentes#