YOLO-NAS

Обзор

Разработанная Deci AI, YOLO-NAS является прорывной базовой моделью для обнаружения объектов. Это продукт передовой Neural Architecture Search технологии, тщательно спроектированный для устранения ограничений предыдущих моделей YOLO. Благодаря значительным улучшениям в поддержке квантования и точности-latency trade-offs, YOLO-NAS представляет собой большой скачок в области обнаружения объектов.

Обзор YOLO-NAS. YOLO-NAS использует блоки с учетом квантования и выборочное квантование для обеспечения оптимальной производительности. При преобразовании в версию INT8 квантования модель демонстрирует минимальное падение точности, что является значительным улучшением по сравнению с другими моделями. Эти достижения привели к созданию превосходной архитектуры с беспрецедентными возможностями обнаружения объектов и выдающейся производительностью.

Ключевые особенности

• Базовый блок, дружественный к квантованию: YOLO-NAS представляет новый базовый блок, который оптимизирован для квантования, 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 известных датасетах, таких как COCO, Objects365 и Roboflow 100. Такое предварительное обучение делает её крайне подходящей для последующих задач обнаружения объектов в производственных средах.

Предварительно обученные модели

Ощути мощь обнаружения объектов нового поколения с предварительно обученными моделями YOLO-NAS, предоставляемыми Ultralytics. Эти модели разработаны для обеспечения первоклассной производительности как в скорости, так и в точности. Выбирай из множества вариантов, адаптированных под твои конкретные нужды:

Каждый вариант модели спроектирован так, чтобы обеспечить баланс между для конвертации датасетов из других форматов. Как только датасет будет готов, ты можешь обучить модель с помощью Python или команд CLI: (mAP) и задержкой, помогая тебе оптимизировать задачи обнаружения объектов как по производительности, так и по скорости.

Примеры использования

Ultralytics упростила интеграцию моделей YOLO-NAS в твои приложения на Python с помощью нашего пакета ultralytics python. Пакет предоставляет удобный API на Python для оптимизации процесса.

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

Примеры инференса и валидации

В этом примере мы проводим валидацию YOLO-NAS-s на датасете 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")

Поддерживаемые задачи и режимы

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

• YOLO-NAS-s: оптимизирована для сред, где вычислительные ресурсы ограничены, но важна эффективность.
• YOLO-NAS-m: предлагает сбалансированный подход, подходящий для задач общего назначения обнаружения объектов с более высокой точностью.
• YOLO-NAS-l: создана для сценариев, требующих максимальной точности, где вычислительные ресурсы не являются жестким ограничением.

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

Цитирование и благодарности

Если ты используешь YOLO-NAS в своей исследовательской или разработческой деятельности, пожалуйста, ссылайся 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 SuperGradients из Deci AI за их усилия по созданию и поддержке этого ценного ресурса для сообщества компьютерного зрения. Мы верим, что YOLO-NAS, с её инновационной архитектурой и превосходными возможностями обнаружения объектов, станет критически важным инструментом как для разработчиков, так и для исследователей.

FAQ

Что такое YOLO-NAS и в чем её преимущество перед предыдущими моделями YOLO?

YOLO-NAS, разработанная Deci AI, представляет собой передовую модель обнаружения объектов, использующую технологию Neural Architecture Search (NAS). Она решает ограничения предыдущих моделей YOLO, внедряя такие функции, как базовые блоки, дружественные к квантованию, и сложные схемы обучения. Это приводит к значительному улучшению производительности, особенно в средах с ограниченными вычислительными ресурсами. YOLO-NAS также поддерживает квантование, сохраняя высокую точность даже при конвертации в версию INT8, что повышает её пригодность для производственных сред. Более подробную информацию смотри в Обзор .

Как я могу интегрировать модели YOLO-NAS в свое приложение на Python?

Ты можешь легко интегрировать модели YOLO-NAS в свое приложение на Python, используя пакет ultralytics. Вот простой пример того, как загрузить предварительно обученную модель YOLO-NAS и выполнить инференс:

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 Примеры инференса и валидации.

Каковы ключевые особенности YOLO-NAS и почему мне стоит рассмотреть её использование?

YOLO-NAS представляет несколько ключевых особенностей, которые делают её превосходным выбором для задач обнаружения объектов:

• Базовый блок, дружественный к квантованию: Улучшенная архитектура, повышающая производительность модели с минимальным точностью падением точности после квантования.
• Сложное обучение и квантование: Использование передовых схем обучения и методов пост-тренировочного квантования.
• Оптимизация AutoNAC и предварительное обучение: Использование оптимизации AutoNAC и предварительное обучение на известных датасетах, таких как COCO, Objects365 и Roboflow 100.

Эти особенности способствуют её высокой точности, эффективной производительности и пригодности для развертывания в производственных средах. Узнай больше в Ключевые особенности .

Какие задачи и режимы поддерживаются моделями YOLO-NAS?

Модели YOLO-NAS поддерживают различные задачи обнаружения объектов и такие режимы, 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 к производительности. Подробный обзор смотри в Поддерживаемые задачи и режимы .

Есть 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 предварительно обучены на таких датасетах, как COCO, что гарантирует высокую производительность как по скорости, так и по точности. Ты можешь скачать эти модели, используя ссылки, предоставленные в Предварительно обученные модели разделе. Вот несколько примеров:

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