Link to this sectionYOLO-NAS#
Vui lòng lưu ý rằng Deci, đơn vị tạo ra YOLO-NAS ban đầu, đã được NVIDIA mua lại. Do đó, các model này không còn được Deci duy trì tích cực. Ultralytics vẫn tiếp tục hỗ trợ việc sử dụng các model này, nhưng sẽ không có thêm bản cập nhật nào từ đội ngũ gốc.
Link to this sectionTổng quan#
Được phát triển bởi Deci AI, YOLO-NAS là một model nền tảng phát hiện đối tượng mang tính đột phá. Đây là sản phẩm của công nghệ Neural Architecture Search tiên tiến, được thiết kế tỉ mỉ để khắc phục các hạn chế của các model YOLO trước đây. Với những cải tiến đáng kể về hỗ trợ lượng tử hóa và sự cân bằng giữa accuracy và độ trễ, YOLO-NAS đại diện cho một bước tiến lớn trong lĩnh vực phát hiện đối tượng.
Tổng quan về YOLO-NAS. YOLO-NAS sử dụng các block nhận biết lượng tử hóa (quantization-aware) và kỹ thuật lượng tử hóa có chọn lọc để đạt hiệu suất tối ưu. Khi được chuyển đổi sang phiên bản lượng tử hóa INT8, model này chỉ bị giảm độ chính xác tối thiểu, một cải tiến đáng kể so với các model khác. Những tiến bộ này hội tụ thành một kiến trúc ưu việt với khả năng phát hiện đối tượng chưa từng có và hiệu suất vượt trội.
Link to this sectionTính năng chính#
- Khối cơ bản hỗ trợ lượng tử hóa (Quantization-Friendly Basic Block): YOLO-NAS giới thiệu một khối cơ bản mới thân thiện với việc lượng tử hóa, giải quyết một trong những hạn chế đáng kể của các model YOLO trước đây.
- Đào tạo và lượng tử hóa tinh vi: YOLO-NAS tận dụng các phương pháp đào tạo nâng cao và lượng tử hóa sau đào tạo để tăng cường hiệu suất.
- Tối ưu hóa AutoNAC và Tiền huấn luyện: YOLO-NAS sử dụng tối ưu hóa AutoNAC và được tiền huấn luyện trên các tập dữ liệu nổi bật như COCO, Objects365 và Roboflow 100. Quá trình tiền huấn luyện này giúp model cực kỳ phù hợp cho các tác vụ phát hiện đối tượng hạ nguồn trong môi trường sản xuất.
Link to this sectionCác model đã được tiền huấn luyện#
Trải nghiệm sức mạnh phát hiện đối tượng thế hệ tiếp theo với các model YOLO-NAS đã được tiền huấn luyện do Ultralytics cung cấp. Các model này được thiết kế để mang lại hiệu suất đỉnh cao về cả tốc độ và độ chính xác. Chọn từ nhiều tùy chọn phù hợp với nhu cầu cụ thể của bạn:
| Mô hình | mAP | Độ trễ (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 |
Mỗi biến thể model được thiết kế để cung cấp sự cân bằng giữa Mean Average Precision (mAP) và độ trễ, giúp bạn tối ưu hóa các tác vụ phát hiện đối tượng của mình cho cả hiệu suất và tốc độ.
Link to this sectionVí dụ Sử dụng#
Ultralytics đã giúp việc tích hợp các model YOLO-NAS vào các ứng dụng Python của bạn trở nên dễ dàng thông qua gói thư viện ultralytics cho Python. Gói này cung cấp một API Python thân thiện với người dùng để đơn giản hóa quy trình.
Các ví dụ sau đây cho thấy cách sử dụng các model YOLO-NAS với gói ultralytics để thực hiện inference và validation:
Link to this sectionVí dụ về Inference và Validation#
Trong ví dụ này, chúng tôi thực hiện validation trên YOLO-NAS-s với tập dữ liệu COCO8.
Ví dụ này cung cấp code đơn giản về inference và validation cho YOLO-NAS. Để xử lý kết quả inference, hãy xem chế độ Predict. Để sử dụng YOLO-NAS với các chế độ bổ sung, hãy xem Val và Export. YOLO-NAS trên gói ultralytics không hỗ trợ huấn luyện (training).
PyTorch pretrained *.pt models files can be passed to the NAS() class to create a model instance in 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")Link to this sectionCác tác vụ và chế độ được hỗ trợ#
Chúng tôi cung cấp ba biến thể của các model YOLO-NAS: Small (s), Medium (m), và Large (l). Mỗi biến thể được thiết kế để đáp ứng các nhu cầu về tính toán và hiệu suất khác nhau:
- YOLO-NAS-s: Được tối ưu hóa cho các môi trường có tài nguyên tính toán hạn chế nhưng hiệu quả là yếu tố then chốt.
- YOLO-NAS-m: Cung cấp cách tiếp cận cân bằng, phù hợp cho object detection mục đích chung với độ chính xác cao hơn.
- YOLO-NAS-l: Được thiết kế riêng cho các tình huống đòi hỏi độ chính xác cao nhất, nơi tài nguyên tính toán ít bị hạn chế hơn.
Dưới đây là tổng quan chi tiết về từng model, bao gồm các liên kết đến trọng số đã tiền huấn luyện, các tác vụ mà chúng hỗ trợ và khả năng tương thích của chúng với các chế độ vận hành khác nhau.
| Loại model | Trọng số Pretrained | Các tác vụ được hỗ trợ | Suy luận | Validation | Huấn luyện | Xuất (Export) |
|---|---|---|---|---|---|---|
| YOLO-NAS-s | yolo_nas_s.pt | Phát hiện đối tượng | ✅ | ✅ | ❌ | ✅ |
| YOLO-NAS-m | yolo_nas_m.pt | Phát hiện đối tượng | ✅ | ✅ | ❌ | ✅ |
| YOLO-NAS-l | yolo_nas_l.pt | Phát hiện đối tượng | ✅ | ✅ | ❌ | ✅ |
Link to this sectionTrích dẫn và Ghi nhận#
Nếu bạn sử dụng YOLO-NAS trong nghiên cứu hoặc công việc phát triển của mình, vui lòng trích dẫn SuperGradients:
@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},
}Chúng tôi bày tỏ lòng biết ơn tới đội ngũ SuperGradients của Deci AI vì những nỗ lực của họ trong việc tạo ra và duy trì nguồn tài nguyên quý giá này cho cộng đồng computer vision. Chúng tôi tin rằng YOLO-NAS, với kiến trúc sáng tạo và khả năng phát hiện đối tượng vượt trội, sẽ trở thành một công cụ quan trọng cho cả các nhà phát triển và nhà nghiên cứu.
Link to this sectionCâu hỏi thường gặp#
Link to this sectionYOLO-NAS là gì và nó cải tiến như thế nào so với các model YOLO trước đây?#
YOLO-NAS, được phát triển bởi Deci AI, là một model phát hiện đối tượng tiên tiến tận dụng công nghệ Neural Architecture Search (NAS). Nó khắc phục những hạn chế của các model YOLO trước đây bằng cách giới thiệu các tính năng như khối cơ bản thân thiện với lượng tử hóa và các phương pháp đào tạo tinh vi. Điều này dẫn đến những cải tiến đáng kể về hiệu suất, đặc biệt là trong các môi trường có tài nguyên tính toán hạn chế. YOLO-NAS cũng hỗ trợ lượng tử hóa, duy trì độ chính xác cao ngay cả khi được chuyển đổi sang phiên bản INT8, nâng cao sự phù hợp cho các môi trường sản xuất. Để biết thêm chi tiết, hãy xem phần Tổng quan.
Link to this sectionLàm thế nào để tôi tích hợp các model YOLO-NAS vào ứng dụng Python của mình?#
Bạn có thể dễ dàng tích hợp các model YOLO-NAS vào ứng dụng Python của mình bằng gói ultralytics. Đây là một ví dụ đơn giản về cách tải một model YOLO-NAS đã được tiền huấn luyện và thực hiện inference:
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")Để biết thêm thông tin, hãy tham khảo Ví dụ về Inference và Validation.
Link to this sectionCác tính năng chính của YOLO-NAS là gì và tại sao tôi nên cân nhắc sử dụng nó?#
YOLO-NAS giới thiệu một số tính năng chính khiến nó trở thành lựa chọn ưu việt cho các tác vụ phát hiện đối tượng:
- Khối cơ bản hỗ trợ lượng tử hóa: Kiến trúc được tăng cường giúp cải thiện hiệu suất của model với mức sụt giảm precision tối thiểu sau khi lượng tử hóa.
- Đào tạo và lượng tử hóa tinh vi: Sử dụng các phương pháp đào tạo nâng cao và các kỹ thuật lượng tử hóa sau đào tạo.
- Tối ưu hóa AutoNAC và Tiền huấn luyện: Sử dụng tối ưu hóa AutoNAC và được tiền huấn luyện trên các tập dữ liệu nổi bật như COCO, Objects365 và Roboflow 100.
Các tính năng này góp phần vào độ chính xác cao, hiệu suất hiệu quả và sự phù hợp để triển khai trong môi trường sản xuất. Tìm hiểu thêm trong phần Tính năng chính.
Link to this sectionNhững tác vụ và chế độ nào được hỗ trợ bởi các model YOLO-NAS?#
Các model YOLO-NAS hỗ trợ nhiều tác vụ và chế độ phát hiện đối tượng như inference, validation và export. Chúng không hỗ trợ training. Các model được hỗ trợ bao gồm YOLO-NAS-s, YOLO-NAS-m và YOLO-NAS-l, mỗi model được tùy chỉnh cho các năng lực tính toán và nhu cầu hiệu suất khác nhau. Để có cái nhìn tổng quan chi tiết, hãy tham khảo phần Các tác vụ và chế độ được hỗ trợ.
Link to this sectionCó sẵn các model YOLO-NAS đã được tiền huấn luyện không và làm cách nào để tôi truy cập chúng?#
Có, Ultralytics cung cấp các model YOLO-NAS đã được tiền huấn luyện mà bạn có thể truy cập trực tiếp. Những model này đã được tiền huấn luyện trên các tập dữ liệu như COCO, đảm bảo hiệu suất cao về cả tốc độ và độ chính xác. Bạn có thể tải xuống các model này bằng cách sử dụng các liên kết được cung cấp trong phần Các model đã được tiền huấn luyện. Dưới đây là một số ví dụ: