YOLO-NAS#

Обзор#

Разработанная Deci AI, YOLO-NAS представляет собой прорывная базовая модель для обнаружения объектов. Это продукт передовой технологии Neural Architecture Search, тщательно разработанный для устранения ограничений предыдущих моделей YOLO. Благодаря значительным улучшениям в поддержке квантования и компромиссах между точностью и задержкой, YOLO-NAS представляет собой крупный скачок в обнаружении объектов.

Обзор YOLO-NAS. YOLO-NAS использует блоки, учитывающие квантование, и выборочное квантование для оптимальной производительности. При конвертации в квантованную версию INT8 модель испытывает минимальное падение точности, что является значительным улучшением по сравнению с другими моделями. Эти достижения выливаются в превосходную архитектуру с беспрецедентными возможностями обнаружения объектов и выдающейся производительностью.

Ключевые 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.

Предварительно 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 разработан так, чтобы обеспечить баланс между Mean Average Precision (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 Python ultralytics. Пакет предоставляет удобный API на Python для оптимизации этого процесса.

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

Примеры 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")

Поддерживаемые 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 обнаружения объектов 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.

Цитирование 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 SuperGradients из Deci AI за их усилия по созданию и поддержке этого ценного ресурса для сообщества компьютерного зрения. Мы верим, что YOLO-NAS с ее инновационной архитектурой и превосходными возможностями обнаружения объектов станет критически важным инструментом как для разработчиков, так и для исследователей.

FAQ#