─░├žeri─če ge├ž

YOLO-NAS

Genel Bak─▒┼č

Deci AI taraf─▒ndan geli┼čtirilen YOLO-NAS, ├ž─▒─č─▒r a├žan bir nesne alg─▒lama temel modelidir. ├ľnceki YOLO modellerinin s─▒n─▒rlamalar─▒n─▒ gidermek i├žin titizlikle tasarlanm─▒┼č geli┼čmi┼č Sinirsel Mimari Arama teknolojisinin ├╝r├╝n├╝d├╝r. Niceleme deste─či ve do─čruluk-gecikme ├Âd├╝nle┼čimlerindeki ├Ânemli geli┼čmelerle YOLO-NAS, nesne alg─▒lamada b├╝y├╝k bir s─▒├žramay─▒ temsil eder.

├ľrnek model g├Âr├╝nt├╝s├╝ YOLO-NAS'a genel bak─▒┼č. YOLO-NAS, optimum performans i├žin kuantizasyona duyarl─▒ bloklar ve se├žici kuantizasyon kullan─▒r. Model, INT8 kuantize versiyonuna d├Ân├╝┼čt├╝r├╝ld├╝─č├╝nde, di─čer modellere g├Âre ├Ânemli bir geli┼čme olan minimum hassasiyet d├╝┼č├╝┼č├╝ ya┼čar. Bu geli┼čmeler, benzeri g├Âr├╝lmemi┼č nesne alg─▒lama yeteneklerine ve ola─čan├╝st├╝ performansa sahip ├╝st├╝n bir mimari ile sonu├žlanmaktad─▒r.

Temel ├ľzellikler

  • Niceleme Dostu Temel Blok: YOLO-NAS, niceleme dostu yeni bir temel blok sunarak ├Ânceki YOLO modellerinin ├Ânemli s─▒n─▒rlamalar─▒ndan birini ele al─▒yor.
  • Sofistike E─čitim ve Niceleme: YOLO-NAS, performans─▒ art─▒rmak i├žin geli┼čmi┼č e─čitim ┼čemalar─▒ndan ve e─čitim sonras─▒ nicelemeden yararlan─▒r.
  • AutoNAC Optimizasyonu ve ├ľn E─čitim: YOLO-NAS, AutoNAC optimizasyonunu kullan─▒r ve COCO, Objects365 ve Roboflow 100 gibi ├Ânde gelen veri k├╝meleri ├╝zerinde ├Ânceden e─čitilmi┼čtir. Bu ├Ân e─čitim, onu ├╝retim ortamlar─▒ndaki a┼ča─č─▒ ak─▒┼č nesne alg─▒lama g├Ârevleri i├žin son derece uygun hale getirir.

├ľnceden E─čitilmi┼č Modeller

Ultralytics taraf─▒ndan sa─članan ├Ânceden e─čitilmi┼č YOLO-NAS modelleri ile yeni nesil nesne tespitinin g├╝c├╝n├╝ deneyimleyin. Bu modeller hem h─▒z hem de do─čruluk a├ž─▒s─▒ndan birinci s─▒n─▒f performans sunmak ├╝zere tasarlanm─▒┼čt─▒r. ├ľzel ihtiya├žlar─▒n─▒za g├Âre uyarlanm─▒┼č ├že┼čitli se├ženekler aras─▒ndan se├žim yap─▒n:

Model mAP Gecikme S├╝resi (ms)
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

Her model ├že┼čidi, Ortalama Ortalama Hassasiyet (mAP) ve gecikme s├╝resi aras─▒nda bir denge sunacak ┼čekilde tasarlanm─▒┼čt─▒r ve nesne alg─▒lama g├Ârevlerinizi hem performans hem de h─▒z a├ž─▒s─▒ndan optimize etmenize yard─▒mc─▒ olur.

Kullan─▒m ├ľrnekleri

Ultralytics YOLO-NAS modellerini uygulamalar─▒n─▒za entegre etmeyi kolayla┼čt─▒rd─▒. Python ultralytics python paketi. Paket, s├╝reci kolayla┼čt─▒rmak i├žin kullan─▒c─▒ dostu bir Python API sa─člar.

A┼ča─č─▒daki ├Ârnekler YOLO-NAS modellerinin a┼ča─č─▒dakilerle birlikte nas─▒l kullan─▒laca─č─▒n─▒ g├Âstermektedir ultralytics ├ž─▒kar─▒m ve do─črulama i├žin paket:

├ç─▒kar─▒m ve Do─črulama ├ľrnekleri

Bu ├Ârnekte YOLO-NAS-s adresini COCO8 veri k├╝mesi ├╝zerinde do─čruluyoruz.

├ľrnek

Bu ├Ârnek, YOLO-NAS i├žin basit ├ž─▒kar─▒m ve do─črulama kodu sa─člar. ├ç─▒kar─▒m sonu├žlar─▒n─▒ i┼člemek i├žin bkz. Tahmin Et modu. YOLO -NAS'─▒ ek modlarla kullanmak i├žin bkz. Val ve ─░hracat. YOLO-NAS ├╝zerinde ultralytics paketi e─čitimi desteklememektedir.

PyTorch ├Ân e─čitimli *.pt model dosyalar─▒ ┼ču dosyalara aktar─▒labilir NAS() s─▒n─▒f─▒nda bir model ├Ârne─či olu┼čturmak i├žin 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 komutlar─▒ modelleri do─črudan ├žal─▒┼čt─▒rmak i├žin kullan─▒labilir:

# Load a COCO-pretrained YOLO-NAS-s model and validate it's performance on the COCO8 example dataset
yolo val model=yolo_nas_s.pt data=coco8.yaml

# Load a COCO-pretrained YOLO-NAS-s model and run inference on the 'bus.jpg' image
yolo predict model=yolo_nas_s.pt source=path/to/bus.jpg

Desteklenen G├Ârevler ve Modlar

YOLO-NAS modellerinin ├╝├ž ├že┼čidini sunuyoruz: K├╝├ž├╝k (s), Orta (m) ve B├╝y├╝k (l). Her bir varyant farkl─▒ hesaplama ve performans ihtiya├žlar─▒n─▒ kar┼č─▒lamak ├╝zere tasarlanm─▒┼čt─▒r:

  • YOLO-NAS-s: Hesaplama kaynaklar─▒n─▒n s─▒n─▒rl─▒ oldu─ču ancak verimlili─čin ├Ânemli oldu─ču ortamlar i├žin optimize edilmi┼čtir.
  • YOLO-NAS-m: Daha y├╝ksek do─črulukla genel ama├žl─▒ nesne tespiti i├žin uygun, dengeli bir yakla┼č─▒m sunar.
  • YOLO-NAS-l: Hesaplama kaynaklar─▒n─▒n daha az k─▒s─▒tlay─▒c─▒ oldu─ču, en y├╝ksek do─čruluk gerektiren senaryolar i├žin uyarlanm─▒┼čt─▒r.

A┼ča─č─▒da, ├Ânceden e─čitilmi┼č a─č─▒rl─▒klar─▒na ba─člant─▒lar, destekledikleri g├Ârevler ve farkl─▒ ├žal─▒┼čma modlar─▒yla uyumluluklar─▒ da dahil olmak ├╝zere her modele ayr─▒nt─▒l─▒ bir genel bak─▒┼č yer almaktad─▒r.

Model Tipi ├ľnceden E─čitilmi┼č A─č─▒rl─▒klar Desteklenen G├Ârevler ├ç─▒kar─▒m Do─črulama E─čitim ─░hracat
YOLO-NAS-s yolo_nas_s.pt Nesne Alg─▒lama Ôťů Ôťů ÔŁî Ôťů
YOLO-NAS-m yolo_nas_m.pt Nesne Alg─▒lama Ôťů Ôťů ÔŁî Ôťů
YOLO-NAS-l yolo_nas_l.pt Nesne Alg─▒lama Ôťů Ôťů ÔŁî Ôťů

At─▒flar ve Te┼čekk├╝r

Ara┼čt─▒rma veya geli┼čtirme ├žal─▒┼čmalar─▒n─▒zda YOLO-NAS kullan─▒yorsan─▒z, l├╝tfen SuperGradients'e at─▒fta bulunun:

@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},
}

Bilgisayarla g├Ârme toplulu─ču i├žin bu de─čerli kayna─č─▒ olu┼čturma ve s├╝rd├╝rme ├žabalar─▒ndan dolay─▒ Deci AI'un SuperGradients ekibine ┼č├╝kranlar─▒m─▒z─▒ sunar─▒z. Yenilik├ži mimarisi ve ├╝st├╝n nesne alg─▒lama yetenekleriyle YOLO-NAS'─▒n hem geli┼čtiriciler hem de ara┼čt─▒rmac─▒lar i├žin kritik bir ara├ž olaca─č─▒na inan─▒yoruz.

Anahtar Kelimeler: YOLO NAS, Deci AI, nesne alg─▒lama, derin ├Â─črenme, n├Âral mimari arama, Ultralytics Python API, YOLO modeli, SuperGradients, ├Ânceden e─čitilmi┼č modeller, niceleme dostu temel blok, geli┼čmi┼č e─čitim ┼čemalar─▒, e─čitim sonras─▒ niceleme, AutoNAC optimizasyonu, COCO, Objects365, Roboflow 100



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (11)

Yorumlar