YOLO-NAS#

Обзор#

Разработанная Deci AI, YOLO-NAS — это новаторская базовая модель для обнаружения объектов. Она создана с применением передовой технологии поиска нейронных архитектур и тщательно спроектирована для устранения ограничений предыдущих моделей YOLO. Благодаря существенному улучшению поддержки квантования и компромисса между точностью и задержкой YOLO-NAS стала большим шагом вперёд в обнаружении объектов.

Обзор YOLO-NAS. В YOLO-NAS для достижения оптимальной производительности используются блоки с учётом квантования и выборочное квантование. При преобразовании модели в квантованную версию INT8 точность снижается минимально — это значительное улучшение по сравнению с другими моделями. Эти достижения позволили создать превосходную архитектуру с беспрецедентными возможностями обнаружения объектов и выдающейся производительностью.

Основные особенности#

• Базовый блок, удобный для квантования: YOLO-NAS представляет новый базовый блок, оптимизированный для квантования, что устраняет 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 известных наборах данных, таких как COCO, Objects365 и Roboflow 100. Благодаря этому модель отлично подходит для последующего решения задач обнаружения объектов в производственной среде.

Предварительно обученные модели#

Оцени возможности обнаружения объектов нового поколения с предварительно обученными моделями YOLO-NAS от Ultralytics. Эти модели обеспечивают первоклассную скорость и точность. Выбирай из нескольких вариантов, созданных для разных задач:

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

Примеры использования#

Ultralytics упростила интеграцию моделей YOLO-NAS в приложения Python с помощью нашего пакета Python ultralytics. Пакет предоставляет удобный API Python, упрощающий этот процесс.

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

Примеры инференса и валидации#

В этом примере мы валидируем YOLO-NAS-s на наборе данных COCO8.

from ultralytics import NAS

# Загружаем предварительно обученную на COCO модель YOLO-NAS-s
model = NAS("yolo_nas_s.pt")

# Показать информацию о модели (необязательно)
model.info()

# Валидируем модель на демонстрационном наборе данных COCO8
results = model.val(data="coco8.yaml")

# Запускаем инференс моделью YOLO-NAS-s на изображении 'bus.jpg'
results = model("path/to/bus.jpg")

Поддерживаемые задачи и режимы#

Мы предлагаем три варианта моделей YOLO-NAS: малую (s), среднюю (m) и большую (l). Каждый вариант предназначен для разных вычислительных ресурсов и требований к производительности:

• YOLO-NAS-s: оптимизирована для сред с ограниченными вычислительными ресурсами, где важна эффективность.
• YOLO-NAS-m: обеспечивает сбалансированный подход и подходит для универсального обнаружения объектов с более высокой точностью.
• YOLO-NAS-l: предназначена для сценариев, где требуется максимальная точность и вычислительные ресурсы не являются ограничением.

Ниже приведён 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 исследовательской или инженерной работе, укажи SuperGradients в списке цитируемых источников:

@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 от Deci AI за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Мы считаем, что благодаря инновационной архитектуре и превосходным возможностям обнаружения объектов YOLO-NAS станет важным инструментом для разработчиков и исследователей.

Часто задаваемые вопросы#