YOLO-NAS#

Genel Bakış#

Deci AI tarafından geliştirilen YOLO-NAS, çığır açan bir nesne tespiti temel modelidir. Önceki YOLO modellerinin sınırlamalarını ele almak için titizlikle tasarlanmış gelişmiş Neural Architecture Search teknolojisinin bir ürünüdür. Niceleme desteği ve accuracy-gecikme dengelerindeki önemli iyileştirmelerle YOLO-NAS, nesne tespitinde büyük bir sıçramayı temsil eder.

YOLO-NAS Genel Bakış. YOLO-NAS, optimum performans için niceleme bilincine sahip bloklar ve seçici niceleme kullanır. Model, INT8 niceleme sürümüne dönüştürüldüğünde minimum hassasiyet düşüşü yaşar; bu, diğer modellere kıyasla önemli bir iyileştirmedir. Bu ilerlemeler, benzeri görülmemiş nesne tespiti yetenekleri ve olağanüstü performans ile üstün bir mimaride sonuçlanır.

Temel 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.

Önceden 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, Mean Average Precision (mAP) ile gecikme arasında bir denge sunacak şekilde tasarlanmıştır ve nesne tespiti görevlerini hem performans hem de hız açısından optimize etmene yardımcı olur.

Kullanım Örnekleri#

Ultralytics, ultralytics python paketimiz aracılığıyla YOLO-NAS modellerini Python uygulamalarına entegre etmeni kolaylaştırdı. Paket, süreci kolaylaştırmak için kullanıcı dostu bir Python API sağlar.

Aşağıdaki örnekler, çıkarım ve doğrulama için YOLO-NAS modellerinin ultralytics paketi ile nasıl kullanılacağını göstermektedir:

Çıkarım 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")

Desteklenen 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 object detection 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.

Alıntılar 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},
}

computer vision topluluğu için bu değerli kaynağı oluşturma ve sürdürme çabalarından dolayı Deci AI'ın SuperGradients ekibine teşekkür ederiz. Yenilikçi mimarisi ve üstün nesne tespiti yetenekleriyle YOLO-NAS'ın, hem geliştiriciler hem de araştırmacılar için kritik bir araç haline geleceğine inanıyoruz.

SSS#

YOLO-NAS nedir ve önceki YOLO modellerine göre nasıl bir iyileştirme sunar?#

Deci AI tarafından geliştirilen YOLO-NAS, gelişmiş Neural Architecture Search (NAS) teknolojisinden yararlanan son teknoloji bir nesne tespiti modelidir. Niceleme dostu temel bloklar ve gelişmiş eğitim şemaları gibi özellikler sunarak önceki YOLO modellerinin sınırlamalarını ele alır. Bu, özellikle sınırlı hesaplama kaynaklarına sahip ortamlarda performansta önemli iyileştirmelerle sonuçlanır. YOLO-NAS ayrıca nicelemeyi destekler, INT8 sürümüne dönüştürüldüğünde bile yüksek doğruluğu korur ve üretim ortamları için uygunluğunu artırır. Daha fazla ayrıntı için Overview bölümüne bakın.

YOLO-NAS modellerini Python uygulamama nasıl entegre edebilirim?#

ultralytics paketini kullanarak YOLO-NAS modellerini Python uygulamana kolayca entegre edebilirsin. Önceden eğitilmiş bir YOLO-NAS modelinin nasıl yükleneceğini ve çıkarımın nasıl gerçekleştirileceğini gösteren basit bir örnek aşağıdadır:

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 Inference and Validation Examples bölümüne bakın.

YOLO-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:

• Niceleme Dostu Temel Blok: Niceleme sonrasında minimum precision düşüşüyle model performansını artıran gelişmiş 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. Key Features bölümünde daha fazla bilgi edinebilirsin.

YOLO-NAS modelleri tarafından hangi görevler ve modlar desteklenmektedir?#

YOLO-NAS modelleri, çıkarım, doğrulama ve dışa aktarma gibi çeşitli nesne tespiti görevlerini ve modlarını destekler. Eğitimi desteklemezler. Desteklenen modeller arasında her biri farklı hesaplama kapasitelerine ve performans ihtiyaçlarına göre uyarlanmış YOLO-NAS-s, YOLO-NAS-m ve YOLO-NAS-l yer alır. Ayrıntılı bir genel bakış için Supported Tasks and Modes bölümüne bakabilirsin.

Önceden eğitilmiş YOLO-NAS modelleri mevcut mu ve bunlara nasıl erişebilirim?#

Evet, Ultralytics doğrudan erişebileceğin önceden eğitilmiş YOLO-NAS modelleri sağlar. Bu modeller, hem hız hem de doğruluk açısından yüksek performans sağlamak için COCO gibi veri kümelerinde önceden eğitilmiştir. Bu modelleri Pretrained Models bölümünde sağlanan bağlantıları kullanarak indirebilirsin. İşte bazı örnekler:

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