YOLO-NAS#

Tổng quan#

Được phát triển bởi Deci AI, YOLO-NAS là một model nền tảng đột phá cho bài toán phát hiện đối tượng. Đây là sản phẩm của công nghệ Tìm kiếm kiến trúc neural tiên tiến, được thiết kế tỉ mỉ để khắc phục những hạn chế của các model YOLO trước đây. Với những cải tiến đáng kể về khả năng hỗ trợ lượng tử hóa và sự cân bằng giữa độ chính xác 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 có nhận biết lượng tử hóa và lượng tử hóa có chọn lọc để đạt hiệu năng tối ưu. Khi được chuyển đổi sang phiên bản lượng tử hóa INT8, model chỉ bị giảm độ chính xác tối thiểu, đây là một cải tiến đáng kể so với các model khác. Những cải tiến này tạo nên một kiến trúc vượt trội với khả năng phát hiện đối tượng chưa từng có và hiệu năng nổi bật.

Tính năng chính#

• Basic Block thân thiện với lượng tử hóa: YOLO-NAS giới thiệu một basic block mới thân thiện với lượng tử hóa, giải quyết một trong những hạn chế đáng kể của các model YOLO trước đây.
• Huấn luyện và lượng tử hóa tinh vi: YOLO-NAS tận dụng các scheme huấn luyện tiên tiến và kỹ thuật lượng tử hóa sau huấn luyện để cải thiện hiệu năng.
• Tối ưu hóa và tiền huấn luyện AutoNAC: YOLO-NAS sử dụng tối ưu hóa AutoNAC và được tiền huấn luyện trên các dataset nổi bật như COCO, Objects365 và Roboflow 100. Việc tiền huấn luyện này giúp model đặc biệt phù hợp với các tác vụ phát hiện đối tượng downstream trong môi trường production.

Các model đã tiền huấn luyện#

Trải nghiệm sức mạnh của tính năng phát hiện đối tượng thế hệ mới với các model YOLO-NAS đã tiền huấn luyện do Ultralytics cung cấp. Các model này được thiết kế để mang lại hiệu năng hàng đầu cả về tốc độ lẫn độ chính xác. Hãy chọn trong nhiều tùy chọn phù hợp với nhu cầu cụ thể của bạn:

Mỗi biến thể model được thiết kế để mang lại sự cân bằng giữa Mean Average Precision (mAP) và độ trễ, giúp bạn tối ưu hóa các tác vụ phát hiện đối tượng về cả hiệu năng lẫn tốc độ.

Ví dụ sử dụng#

Ultralytics đã giúp việc tích hợp các mô hình YOLO-NAS trở nên dễ dàng vào các ứng dụng Python của bạn thông qua gói Python ultralytics của chúng tôi. Gói này cung cấp một API Python thân thiện với người dùng để đơn giản hóa quy trình.

Các ví dụ sau đây minh họa cách sử dụng model YOLO-NAS với package ultralytics để inference và validation:

Ví dụ về Inference và Validation#

Trong ví dụ này, chúng ta validation YOLO-NAS-s trên dataset COCO8.

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")

Các task và mode được hỗ trợ#

Chúng tôi cung cấp ba biến thể model YOLO-NAS: Small (s), Medium (m) và Large (l). Mỗi biến thể được thiết kế để đáp ứng các nhu cầu khác nhau về năng lực tính toán và hiệu năng:

• YOLO-NAS-s: Được tối ưu hóa cho các môi trường có tài nguyên tính toán hạn chế nhưng yêu cầu hiệu quả cao.
• YOLO-NAS-m: Cung cấp cách tiếp cận cân bằng, phù hợp cho phát hiện đối tượng đa dụng với độ chính xác cao hơn.
• YOLO-NAS-l: Được tối ưu cho các tình huống yêu cầu độ chính xác cao nhất, trong đó tài nguyên tính toán ít bị giới hạn hơn.

Dưới đây là tổng quan chi tiết về từng model, bao gồm các liên kết đến weight đã tiền huấn luyện, các tác vụ được hỗ trợ và khả năng tương thích với những mode hoạt động khác nhau.

Trích dẫn và ghi nhận đóng góp#

Nếu sử dụng YOLO-NAS trong công việc nghiên cứu hoặc phát triển, 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 đến đội ngũ SuperGradients của Deci AI vì những nỗ lực trong việc tạo ra và duy trì tài nguyên giá trị này cho cộng đồng thị giác máy tính. Chúng tôi tin rằng YOLO-NAS, với kiến trúc đổi mới và khả năng phát hiện đối tượng vượt trội, sẽ trở thành một công cụ quan trọng cho cả developer và nhà nghiên cứu.

FAQ#