Link to this sectionYOLO-NAS#

Link to this sectionОбзор#

YOLO-NAS, разработанная Deci AI, является революционной фундаментальной моделью для обнаружения объектов. Она создана с помощью передовой технологии Neural Architecture Search и тщательно спроектирована для устранения ограничений предыдущих моделей YOLO. Благодаря значительным улучшениям в поддержке квантования и балансе accuracy-задержки, YOLO-NAS представляет собой важный скачок в области обнаружения объектов.

Обзор YOLO-NAS. В YOLO-NAS используются блоки, адаптированные для квантования, и селективное квантование для достижения оптимальной производительности. При преобразовании в INT8 квантованную версию модель демонстрирует минимальное падение точности, что является значительным улучшением по сравнению с другими моделями. Эти достижения формируют превосходную архитектуру с беспрецедентными возможностями обнаружения объектов и выдающейся производительностью.

Link to this sectionКлючевые особенности#

• Базовый блок, оптимизированный для квантования: YOLO-NAS представляет новый базовый блок, который легко поддается квантованию, решая одно из существенных ограничений предыдущих моделей YOLO.
• Сложное обучение и квантование: YOLO-NAS использует передовые схемы обучения и пост-тренировочное квантование для повышения производительности.
• Оптимизация AutoNAC и предварительное обучение: YOLO-NAS использует оптимизацию AutoNAC и предварительно обучена на таких известных наборах данных, как COCO, Objects365 и Roboflow 100. Это делает модель отлично подходящей для последующих задач обнаружения объектов в производственных средах.

Link to this sectionПредварительно обученные модели#

Оцени мощь обнаружения объектов нового поколения с помощью предварительно обученных моделей YOLO-NAS, предоставляемых Ultralytics. Эти модели разработаны для обеспечения высочайшей производительности как по скорости, так и по точности. Выбирай из множества вариантов, адаптированных под твои специфические задачи:

Каждый вариант модели спроектирован так, чтобы обеспечить баланс между Mean Average Precision (mAP) и задержкой, помогая тебе оптимизировать задачи обнаружения объектов как по производительности, так и по скорости.

Link to this sectionПримеры использования#

Ultralytics сделала интеграцию моделей YOLO-NAS в твои Python приложения простой с помощью нашего пакета ultralytics. Пакет предоставляет удобный Python API для упрощения процесса.

Следующие примеры показывают, как использовать модели YOLO-NAS с пакетом ultralytics для инференса и валидации:

Link to this sectionПримеры инференса и валидации#

В этом примере мы валидируем YOLO-NAS-s на наборе данных 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")

Link to this sectionПоддерживаемые задачи и режимы#

Мы предлагаем три варианта моделей YOLO-NAS: Small (s), Medium (m) и Large (l). Каждый вариант разработан с учетом различных вычислительных потребностей и требований к производительности:

• YOLO-NAS-s: Оптимизирована для сред с ограниченными вычислительными ресурсами, где эффективность имеет ключевое значение.
• YOLO-NAS-m: Предлагает сбалансированный подход, подходящий для общего object detection с более высокой точностью.
• YOLO-NAS-l: Предназначена для сценариев, требующих максимальной точности, где вычислительные ресурсы не являются жестким ограничением.

Ниже приведен подробный обзор каждой модели, включая ссылки на их предварительно обученные веса, поддерживаемые задачи и совместимость с различными рабочими режимами.

Link to this sectionЦитирование и благодарности#

Если ты используешь YOLO-NAS в своих исследованиях или разработках, пожалуйста, сошлися на 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},
}

Мы выражаем благодарность команде Deci AI SuperGradients за их вклад в создание и поддержку этого ценного ресурса для сообщества computer vision. Мы верим, что YOLO-NAS, с ее инновационной архитектурой и превосходными возможностями обнаружения объектов, станет важным инструментом как для разработчиков, так и для исследователей.

Link to this sectionFAQ#

Link to this sectionЧто такое YOLO-NAS и чем она лучше предыдущих моделей YOLO?#

YOLO-NAS, разработанная Deci AI, — это современная модель обнаружения объектов, использующая технологию Neural Architecture Search (NAS). Она решает проблемы предыдущих моделей YOLO, представляя функции вроде базовых блоков, оптимизированных для квантования, и продвинутых схем обучения. Это приводит к значительному улучшению производительности, особенно в средах с ограниченными ресурсами. YOLO-NAS также поддерживает квантование, сохраняя высокую точность даже в версии INT8, что делает ее пригодной для промышленного использования. Подробности см. в разделе Overview.

Link to this sectionКак интегрировать модели YOLO-NAS в мое Python приложение?#

Ты можешь легко интегрировать модели YOLO-NAS в свое приложение Python, используя пакет ultralytics. Вот простой пример загрузки предварительно обученной модели YOLO-NAS и выполнения инференса:

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")

Для получения дополнительной информации обратись к Inference and Validation Examples.

Link to this sectionКаковы ключевые особенности YOLO-NAS и почему стоит её использовать?#

YOLO-NAS предлагает несколько ключевых функций, делающих её превосходным выбором для задач обнаружения объектов:

• Базовый блок, оптимизированный для квантования: Улучшенная архитектура, которая повышает производительность модели с минимальной потерей precision после квантования.
• Сложное обучение и квантование: Использует передовые схемы обучения и методы пост-тренировочного квантования.
• Оптимизация AutoNAC и предварительное обучение: Использует оптимизацию AutoNAC и предварительно обучена на таких известных наборах данных, как COCO, Objects365 и Roboflow 100.

Эти особенности способствуют высокой точности, эффективной производительности и готовности к развертыванию в рабочих средах. Узнай больше в разделе Key Features.

Link to this sectionКакие задачи и режимы поддерживаются моделями YOLO-NAS?#

Модели YOLO-NAS поддерживают различные задачи обнаружения объектов и режимы, такие как инференс, валидация и экспорт. Они не поддерживают обучение. Поддерживаемые модели включают YOLO-NAS-s, YOLO-NAS-m и YOLO-NAS-l, каждая из которых адаптирована под различные вычислительные мощности и требования. Для детального обзора обратись к разделу Supported Tasks and Modes.

Link to this sectionСуществуют ли предварительно обученные модели YOLO-NAS и как получить к ним доступ?#

Да, Ultralytics предоставляет предварительно обученные модели YOLO-NAS, к которым ты можешь получить прямой доступ. Эти модели обучены на таких наборах данных, как COCO, что обеспечивает высокую производительность по скорости и точности. Ты можешь скачать эти модели, используя ссылки в разделе Pretrained Models. Вот несколько примеров:

• YOLO-NAS-s
• YOLO-NAS-m
• YOLO-NAS-l