YOLO-NAS

Обзор

Разработанная Deci AI, YOLO-NAS является революционной основополагающей моделью обнаружения объектов. Она является продуктом передовой технологии поиска с использованием нейронной архитектуры, тщательно разработанной для устранения ограничений предыдущих моделей YOLO . Благодаря значительным улучшениям в поддержке квантования и компромиссах между точностью и задержкой, YOLO-NAS представляет собой большой скачок в обнаружении объектов.

Обзор сайта YOLO-NAS. YOLO-В NAS используются блоки, учитывающие квантование, и выборочное квантование для достижения оптимальной производительности. При переводе модели в квантованную версию INT8 точность падает минимально, что является значительным улучшением по сравнению с другими моделями. Эти усовершенствования позволили создать превосходную архитектуру с беспрецедентными возможностями обнаружения объектов и выдающейся производительностью.

Основные характеристики

• Базовый блок, дружественный к квантованию: YOLO-NAS представляет новый базовый блок, дружественный к квантованию, устраняя одно из существенных ограничений предыдущих моделей YOLO .
• Сложное 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 обучен на известных наборах данных, таких как COCO, Objects365 и Roboflow 100. Такое предварительное обучение делает его чрезвычайно подходящим для решения задач обнаружения объектов в производственных средах.

Предварительно обученные модели

Оцените возможности обнаружения объектов нового поколения с помощью предварительно обученных моделей YOLO-NAS, представленных на сайте Ultralytics. Эти модели разработаны для обеспечения высочайшей производительности с точки зрения скорости и точности. Выбирайте из множества вариантов, отвечающих вашим конкретным потребностям:

Каждый вариант модели разработан таким образом, чтобы обеспечить баланс между средней точностью (mAP) и задержкой, помогая вам оптимизировать задачи обнаружения объектов с точки зрения производительности и скорости.

Примеры использования

Ultralytics Модели YOLO-NAS легко интегрируются в ваши Python приложения с помощью нашего ultralytics python пакет. Пакет предоставляет удобный API Python для упрощения процесса.

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

Примеры выводов и проверок

В этом примере мы проверяем 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")

# Load a COCO-pretrained YOLO-NAS-s model and validate it's performance on the COCO8 example dataset
yolo val model=yolo_nas_s.pt data=coco8.yaml

# Load a COCO-pretrained YOLO-NAS-s model and run inference on the 'bus.jpg' image
yolo predict model=yolo_nas_s.pt source=path/to/bus.jpg

Поддерживаемые задачи и режимы

Мы предлагаем три варианта моделей YOLO-NAS: Small (s), Medium (m) и Large (l). Каждый вариант предназначен для удовлетворения различных потребностей в вычислениях и производительности:

• YOLO-NAS-s: Оптимизированы для сред, где вычислительные ресурсы ограничены, но эффективность имеет ключевое значение.
• YOLO-NAS-m: Предлагает сбалансированный подход, подходящий для обнаружения объектов общего назначения с высокой точностью.
• YOLO-NAS-l: Предназначен для сценариев, требующих высочайшей точности, где вычислительные ресурсы менее ограничены.

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

Цитаты и благодарности

Если вы используете YOLO-NAS в своих исследованиях или разработках, пожалуйста, ссылайтесь на SuperGradients:

@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},
}

Мы выражаем благодарность команде Deci AI' SuperGradients за их усилия по созданию и поддержке этого ценного ресурса для сообщества компьютерного зрения. Мы уверены, что YOLO-NAS с его инновационной архитектурой и превосходными возможностями обнаружения объектов станет важнейшим инструментом как для разработчиков, так и для исследователей.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое YOLO-NAS и чем она лучше предыдущих моделей YOLO ?

YOLO-NAS, разработанная Deci AI, - это современная модель обнаружения объектов, использующая передовую технологию нейронной архитектуры поиска (NAS). Она устраняет ограничения предыдущих моделей YOLO , внедряя такие функции, как базовые блоки, удобные для квантования, и сложные схемы обучения. Это позволяет значительно повысить производительность, особенно в условиях ограниченных вычислительных ресурсов. YOLO-NAS также поддерживает квантование, сохраняя высокую точность даже при преобразовании в версию INT8, что повышает ее пригодность для использования в производственных средах. Более подробная информация приведена в разделе " Обзор".

Как интегрировать модели YOLO-NAS в приложение Python ?

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

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")

Дополнительные сведения см. в разделе Примеры выводов и проверки.

Каковы ключевые особенности YOLO-NAS и почему я должен рассмотреть возможность его использования?

YOLO-NAS представляет несколько ключевых функций, которые делают его лучшим выбором для задач обнаружения объектов:

• Базовый блок с поддержкой квантования: Улучшенная архитектура, повышающая производительность модели при минимальном снижении точности после квантования.
• Сложное обучение и квантование: Используются усовершенствованные схемы обучения и методы квантования после обучения.
• Оптимизация и предварительное обучение AutoNAC: Использует оптимизацию AutoNAC и предварительно обучен на таких известных наборах данных, как COCO, Objects365 и Roboflow 100. Эти особенности обеспечивают высокую точность, эффективную работу и пригодность для развертывания в производственных средах. Подробнее в разделе " Ключевые особенности".

Какие задачи и режимы поддерживаются моделями YOLO-NAS?

YOLO-Модели NAS поддерживают различные задачи и режимы обнаружения объектов, такие как вывод, проверка и экспорт. Они не поддерживают обучение. Поддерживаемые модели включают YOLO-NAS-s, YOLO-NAS-m и YOLO-NAS-l, каждая из которых рассчитана на различные вычислительные мощности и потребности в производительности. Подробный обзор см. в разделе " Поддерживаемые задачи и режимы ".

Существуют ли предварительно обученные модели YOLO-NAS и как к ним получить доступ?

Да, Ultralytics предоставляет предварительно обученные модели YOLO-NAS, к которым вы можете получить прямой доступ. Эти модели предварительно обучены на таких наборах данных, как COCO, что обеспечивает высокую производительность с точки зрения скорости и точности. Вы можете загрузить эти модели по ссылкам, указанным в разделе " Предварительно обученные модели". Вот несколько примеров:

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

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии