YOLO-NAS#

Обзор#

YOLO-NAS, разработанная Deci AI, представляет собой передовую базовую модель обнаружения объектов. Она создана на основе передовой технологии поиска нейронной архитектуры и тщательно спроектирована для устранения ограничений предыдущих моделей YOLO. Благодаря значительным улучшениям поддержки квантования и компромисса между точностью и задержкой YOLO-NAS представляет собой крупный шаг вперед в обнаружении объектов.

Обзор YOLO-NAS. YOLO-NAS использует блоки с учетом квантования и выборочное квантование для достижения оптимальной производительности. При преобразовании модели в квантованную версию INT8 падение точности оказывается минимальным, что является существенным улучшением по сравнению с другими моделями. Эти усовершенствования позволили создать превосходную архитектуру с беспрецедентными возможностями обнаружения объектов и выдающейся производительностью.

Ключевые особенности#

• Базовый блок, оптимизированный для квантования: YOLO-NAS представляет новый базовый блок, оптимизированный для квантования, устраняя одно из существенных ограничений предыдущих моделей YOLO.
• Продвинутое обучение и квантование: YOLO-NAS использует передовые схемы обучения и квантование после обучения 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. Благодаря этому предварительному обучению модель отлично подходит для последующих задач обнаружения объектов в производственных средах.

Предварительно обученные модели#

Оцени возможности обнаружения объектов нового поколения с предварительно обученными моделями YOLO-NAS от Ultralytics. Эти модели обеспечивают превосходную производительность как по скорости, так и по точности. Выбирай из различных вариантов, адаптированных под твои конкретные задачи:

Каждый вариант модели обеспечивает баланс между средней точностью (mAP) и задержкой, помогая оптимизировать задачи обнаружения объектов одновременно по производительности и скорости.

Примеры использования#

Ultralytics сделал модели YOLO-NAS простыми для интеграции в твои приложения на Python с помощью нашего Python-пакета ultralytics. Пакет предоставляет удобный Python API для оптимизации этого процесса.

В следующих примерах показано, как использовать модели YOLO-NAS с пакетом ultralytics для вывода и валидации:

Примеры вывода и валидации#

В этом примере мы выполняем валидацию 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")

Поддерживаемые задачи и режимы#

Мы предлагаем три варианта моделей YOLO-NAS: малый (s), средний (m) и большой (l). Каждый вариант предназначен для разных требований к вычислительным ресурсам и производительности:

• YOLO-NAS-s: оптимизирована для сред, где вычислительные ресурсы ограничены, но эффективность имеет ключевое значение.
• YOLO-NAS-m: обеспечивает сбалансированный подход и подходит для универсального обнаружения объектов с более высокой точностью.
• YOLO-NAS-l: предназначена для сценариев, требующих максимальной точности, когда вычислительные ресурсы не являются существенным ограничением.

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

Цитирование и благодарности#

Если ты используешь YOLO-NAS в исследовательской или разработческой работе, укажи SuperGradients в качестве источника:

@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 благодарим команду SuperGradients Deci AI за работу над созданием и поддержкой этого ценного ресурса для сообщества компьютерного зрения. Мы считаем, что YOLO-NAS с ее инновационной архитектурой и превосходными возможностями обнаружения объектов станет важным инструментом как для разработчиков, так и для исследователей.

Часто задаваемые вопросы#