YOLO-NAS
Обзор
Разработанная Deci AI, YOLO-NAS - это революционная основополагающая модель обнаружения объектов. Она является продуктом передовой технологии поиска на основе 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-NAS использует блоки с учетом квантования 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 вылились в 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 продвинутые схемы обучения и квантование после обучения для повышения производительности.
- Оптимизация AutoNAC и предварительное обучение: YOLO-NAS использует оптимизацию AutoNAC и предварительно обучен на таких известных наборах данных, как COCO, Objects365 и Roboflow 100. Такое предварительное обучение делает его чрезвычайно подходящим для решения задач по обнаружению объектов в производственных средах.
Предварительно обученные модели
Испытай всю мощь обнаружения объектов нового поколения с помощью предварительно обученных моделей YOLO-NAS, которые предоставляет Ultralytics. Эти модели разработаны таким образом, чтобы обеспечить первоклассную производительность как в плане скорости, так и в плане точности. Выбирай из множества вариантов, отвечающих твоим конкретным потребностям:
Модель | mAP | Латентность (мс) |
---|---|---|
YOLO-NAS S | 47.5 | 3.21 |
YOLO-NAS M | 51.55 | 5.85 |
YOLO-NAS L | 52.22 | 7.87 |
YOLO-NAS S INT-8 | 47.03 | 2.36 |
YOLO-NAS M INT-8 | 51.0 | 3.78 |
YOLO-NAS L INT-8 | 52.1 | 4.78 |
Каждый вариант модели разработан таким образом, чтобы обеспечить баланс между средней точностью (mAP) и задержкой, помогая тебе оптимизировать задачи по обнаружению объектов как по производительности, так и по скорости.
Примеры использования
Ultralytics сделала модели YOLO-NAS легко интегрируемыми в твои Python-приложения с помощью нашего ultralytics
пакет python. Пакет предоставляет удобный Python API для упрощения процесса.
В следующих примерах показано, как использовать модели YOLO-NAS с ultralytics
пакет для выводов и проверки:
Примеры умозаключений и проверок
В этом примере мы проверяем YOLO-NAS-s на наборе данных COCO8.
Пример
В этом примере приведен простой код вывода и проверки для YOLO-NAS. О том, как работать с результатами проверки, см. Предсказывай режим. Об использовании YOLO-NAS с дополнительными режимами см. Вэл и Экспорт. YOLO-NAS на ultralytics
Пакет не поддерживает тренировки.
PyTorch предварительно обученный *.pt
Файлы моделей могут быть переданы в NAS()
класс, чтобы создать экземпляр модели в python:
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")
CLI Для непосредственного запуска моделей доступны команды:
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: Оптимизирован для сред, где вычислительные ресурсы ограничены, но эффективность имеет ключевое значение.
- YOLO-NAS-m: Предлагает сбалансированный подход, подходящий для обнаружения объектов общего назначения с более высокой точностью.
- YOLO-NAS-l: Предназначен для сценариев, требующих максимальной точности, где вычислительные ресурсы не так сильно 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.
Тип модели | Предварительно обученные веса | Поддерживаемые задачи | Заключение | Валидация | Тренировка | Экспорт |
---|---|---|---|---|---|---|
YOLO-NAS-s | yolo_nas_s.pt | Обнаружение объектов | ✅ | ✅ | ❌ | ✅ |
YOLO-NAS-m | yolo_nas_m.pt | Обнаружение объектов | ✅ | ✅ | ❌ | ✅ |
YOLO-NAS-l | yolo_nas_l.pt | Обнаружение объектов | ✅ | ✅ | ❌ | ✅ |
Цитаты и благодарности
Если ты используешь YOLO-NAS в своих исследованиях или разработках, пожалуйста, ссылайся 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's SuperGradients за их усилия по созданию и поддержке этого ценного ресурса для сообщества компьютерного зрения. Мы верим, что YOLO-NAS, благодаря своей инновационной архитектуре и превосходным возможностям обнаружения объектов, станет важнейшим инструментом как для разработчиков, так и для исследователей.
ВОПРОСЫ И ОТВЕТЫ
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 приводит к значительному улучшению производительности, особенно в условиях ограниченных вычислительных ресурсов. YOLO-NAS также поддерживает квантование, сохраняя высокую точность даже при преобразовании в его INT8-версию, что повышает его пригодность для использования в производственных средах. Более подробную информацию ты найдешь в разделе " Обзор ".
Как интегрировать YOLO-NAS-модели в свое Python -приложение?
Ты можешь легко интегрировать модели YOLO-NAS в свое приложение Python , используя ultralytics
пакет. Вот простой пример того, как загрузить предварительно обученную модель YOLO-NAS и выполнить вывод:
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 разделу " Примеры выводов и проверки".
Каковы ключевые особенности YOLO-NAS и почему я должен рассмотреть возможность его использования?
YOLO-NAS представляет несколько ключевых особенностей, которые делают его превосходным выбором для задач обнаружения объектов:
- Базовый блок, дружественный к квантованию: Улучшенная архитектура, которая повышает производительность модели при минимальном падении точности после квантования.
- Сложное обучение и квантование: Использует продвинутые схемы обучения и техники 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 способствуют высокой точности, эффективной работе и пригодности для развертывания в производственных средах. Узнай больше 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 ты найдешь 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 ты можешь обращаться напрямую. Эти модели предварительно обучены на таких наборах данных, как COCO, что обеспечивает высокую производительность как в плане скорости, так и точности. Ты можешь скачать эти модели по ссылкам, указанным в разделе Pre-trained Models. Вот несколько примеров: