Link to this sectionYOLO-NAS#

Link to this sectionGenel Bakış#

Deci AI tarafından geliştirilen YOLO-NAS, çığır açan bir nesne algılama temel modelidir. Önceki YOLO modellerinin sınırlamalarını gidermek için titizlikle tasarlanmış, gelişmiş Sinir Mimarisi Arama teknolojisinin bir ürünüdür. Nicemleme (quantization) desteği ve doğruluk-gecikme dengesindeki önemli iyileştirmelerle YOLO-NAS, nesne algılamada büyük bir sıçramayı temsil eder.

YOLO-NAS'a Genel Bakış. YOLO-NAS, optimum performans için nicemleme duyarlı bloklar ve seçici nicemleme kullanır. Model, INT8 nicemlenmiş sürümüne dönüştürüldüğünde minimum düzeyde hassasiyet kaybı yaşar; bu da diğer modellere kıyasla önemli bir iyileştirmedir. Bu gelişmeler, benzeri görülmemiş nesne algılama yeteneklerine ve üstün performansa sahip gelişmiş bir mimariyle sonuçlanır.

Link to this sectionTemel Özellikler#

• Nicemleme Dostu Temel Blok: YOLO-NAS, önceki YOLO modellerinin önemli sınırlamalarından birini ele alan, nicemlemeye uygun yeni bir temel blok sunar.
• Gelişmiş Eğitim ve Nicemleme: YOLO-NAS, performansı artırmak için gelişmiş eğitim şemalarından ve eğitim sonrası nicemlemeden yararlanır.
• AutoNAC Optimizasyonu ve Ön Eğitim: YOLO-NAS, AutoNAC optimizasyonunu kullanır ve COCO, Objects365 ve Roboflow 100 gibi önemli veri kümeleri üzerinde önceden eğitilmiştir. Bu ön eğitim, onu üretim ortamlarındaki nesne algılama görevleri için son derece uygun hale getirir.

Link to this sectionÖnceden Eğitilmiş Modeller#

Ultralytics tarafından sağlanan önceden eğitilmiş YOLO-NAS modelleri ile yeni nesil nesne algılamanın gücünü deneyimle. Bu modeller, hem hız hem de doğruluk açısından üstün performans sunacak şekilde tasarlanmıştır. Özel ihtiyaçlarına göre uyarlanmış çeşitli seçenekler arasından seçim yap:

Her model varyantı, Ortalama Hassasiyet (mAP) ile gecikme arasında bir denge sunacak şekilde tasarlanmıştır; bu da nesne algılama görevlerini hem performans hem de hız için optimize etmene yardımcı olur.

Link to this sectionKullanım Örnekleri#

Ultralytics, YOLO-NAS modellerini ultralytics python paketimiz aracılığıyla Python uygulamalarına entegre etmeyi kolaylaştırmıştır. Paket, süreci kolaylaştırmak için kullanıcı dostu bir Python API'si sağlar.

Aşağıdaki örnekler, çıkarım (inference) ve doğrulama için ultralytics paketiyle YOLO-NAS modellerinin nasıl kullanılacağını göstermektedir:

Link to this sectionÇıkarım ve Doğrulama Örnekleri#

Bu örnekte, YOLO-NAS-s modelini COCO8 veri kümesi üzerinde doğruluyoruz.

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")

Link to this sectionDesteklenen Görevler ve Modlar#

Üç farklı YOLO-NAS model varyantı sunuyoruz: Küçük (s), Orta (m) ve Büyük (l). Her varyant, farklı hesaplama ve performans ihtiyaçlarını karşılamak üzere tasarlanmıştır:

• YOLO-NAS-s: Hesaplama kaynaklarının sınırlı olduğu ancak verimliliğin anahtar olduğu ortamlar için optimize edilmiştir.
• YOLO-NAS-m: Daha yüksek doğrulukla genel amaçlı nesne algılama için uygun, dengeli bir yaklaşım sunar.
• YOLO-NAS-l: Hesaplama kaynaklarının daha az kısıtlı olduğu, en yüksek doğruluğun gerektiği senaryolar için özel olarak hazırlanmıştır.

Aşağıda, her modelin önceden eğitilmiş ağırlıklarına bağlantılar, destekledikleri görevler ve farklı çalışma modlarıyla uyumlulukları dahil olmak üzere ayrıntılı bir genel bakış yer almaktadır.

Link to this sectionAlıntılar ve Teşekkür#

YOLO-NAS'ı araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen SuperGradients'e atıfta bulun:

@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},
}

We express our gratitude to Deci AI's SuperGradients team for their efforts in creating and maintaining this valuable resource for the computer vision community. We believe YOLO-NAS, with its innovative architecture and superior object detection capabilities, will become a critical tool for developers and researchers alike.

Link to this sectionSSS#

Link to this sectionYOLO-NAS nedir ve önceki YOLO modellerine göre nasıl bir iyileştirme sunar?#

Deci AI tarafından geliştirilen YOLO-NAS, gelişmiş Sinir Mimarisi Arama (NAS) teknolojisinden yararlanan son teknoloji ürünü bir nesne algılama modelidir. Nicemleme dostu temel bloklar ve gelişmiş eğitim şemaları gibi özellikler sunarak önceki YOLO modellerinin sınırlamalarını giderir. Bu, özellikle sınırlı hesaplama kaynaklarına sahip ortamlarda performansta önemli iyileşmeler sağlar. YOLO-NAS ayrıca nicemlemeyi destekler, INT8 sürümüne dönüştürüldüğünde bile yüksek doğruluğu korur ve üretim ortamları için uygunluğunu artırır. Daha fazla ayrıntı için Genel Bakış bölümüne bak.

Link to this sectionYOLO-NAS modellerini Python uygulamama nasıl entegre edebilirim?#

YOLO-NAS modellerini ultralytics paketini kullanarak Python uygulamana kolayca entegre edebilirsin. İşte önceden eğitilmiş bir YOLO-NAS modelini yüklemek ve çıkarım gerçekleştirmek için basit bir örnek:

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")

Daha fazla bilgi için Çıkarım ve Doğrulama Örnekleri bölümüne bak.

Link to this sectionYOLO-NAS'ın temel özellikleri nelerdir ve neden kullanmayı düşünmeliyim?#

YOLO-NAS, nesne algılama görevleri için onu üstün bir seçim haline getiren çeşitli temel özellikler sunar:

• Nicemleme Dostu Temel Blok: Nicemleme sonrası minimum hassasiyet kaybı ile model performansını artıran geliştirilmiş mimari.
• Gelişmiş Eğitim ve Nicemleme: Gelişmiş eğitim şemaları ve eğitim sonrası nicemleme teknikleri kullanır.
• AutoNAC Optimizasyonu ve Ön Eğitim: AutoNAC optimizasyonunu kullanır ve COCO, Objects365 ve Roboflow 100 gibi önemli veri kümeleri üzerinde önceden eğitilmiştir.

Bu özellikler, yüksek doğruluğuna, verimli performansına ve üretim ortamlarında dağıtım için uygunluğuna katkıda bulunur. Temel Özellikler bölümünde daha fazla bilgi edin.

Link to this sectionYOLO-NAS modelleri tarafından hangi görevler ve modlar desteklenmektedir?#

YOLO-NAS modelleri; çıkarım, doğrulama ve dışa aktarma gibi çeşitli nesne algılama görevlerini ve modlarını destekler. Eğitim desteği yoktur. Desteklenen modeller arasında, her biri farklı hesaplama kapasitelerine ve performans ihtiyaçlarına göre uyarlanmış YOLO-NAS-s, YOLO-NAS-m ve YOLO-NAS-l bulunur. Ayrıntılı bir genel bakış için Desteklenen Görevler ve Modlar bölümüne bak.

Link to this sectionÖnceden eğitilmiş YOLO-NAS modelleri mevcut mu ve bunlara nasıl erişebilirim?#

Evet, Ultralytics doğrudan erişebileceğin önceden eğitilmiş YOLO-NAS modelleri sağlar. Bu modeller, COCO gibi veri kümeleri üzerinde önceden eğitilmiştir ve hem hız hem de doğruluk açısından yüksek performans sağlar. Bu modelleri, Önceden Eğitilmiş Modeller bölümünde verilen bağlantıları kullanarak indirebilirsin. İşte bazı örnekler:

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