YOLO -NAS

Tổng quan

Được phát triển bởi Deci AI , YOLO -NAS là một mô hình nền tảng phát hiện đối tượng mang tính đột phá. Đây là sản phẩm của công nghệ Tìm kiếm Kiến trúc Thần kinh tiên tiến, được thiết kế tỉ mỉ để giải quyết những hạn chế của các công nghệ trước đây YOLO mô hình. Với những cải tiến đáng kể trong hỗ trợ lượng tử hóa và sự đánh đổi độ chính xác - độ trễ, YOLO -NAS là bước tiến lớn trong việc phát hiện vật thể.

Tổng quan về YOLO -NAS. YOLO -NAS sử dụng các khối nhận biết lượng tử hóa và lượng tử hóa có chọn lọc để có hiệu suất tối ưu. Mô hình, khi được chuyển đổi sang phiên bản lượng tử hóa INT8, sẽ trải qua sự giảm độ chính xác tối thiểu, một cải tiến đáng kể so với các mô hình khác. Những tiến bộ này đạt đến đỉnh cao trong một kiến trúc vượt trội với khả năng phát hiện đối tượng chưa từng có và hiệu suất vượt trội.

Các tính năng chính

• Khối cơ bản thân thiện với lượng tử hóa: YOLO -NAS giới thiệu một khối cơ bản mới thân thiện với lượng tử hóa, giải quyết một trong những hạn chế đáng kể của trước đây YOLO mô hình.
• Đào tạo và lượng tử hóa tinh vi: YOLO -NAS tận dụng các chương trình đào tạo nâng cao và lượng tử hóa sau đào tạo để nâng cao hiệu suất.
• Tối ưu hóa AutoNAC và đào tạo trước: YOLO -NAS sử dụng tối ưu hóa AutoNAC và được đào tạo trước trên các tập dữ liệu nổi bật như COCO, Objects365 và Roboflow 100. Quá trình đào tạo trước này khiến nó cực kỳ phù hợp cho các tác vụ phát hiện đối tượng tiếp theo trong môi trường sản xuất.

Các mô hình được đào tạo trước

Trải nghiệm sức mạnh của công nghệ phát hiện đối tượng thế hệ tiếp theo với YOLO -Các mô hình NAS được cung cấp bởi Ultralytics . Các mô hình này được thiết kế để mang lại hiệu suất hàng đầu về cả tốc độ và độ chính xác. Chọn từ nhiều tùy chọn phù hợp với nhu cầu cụ thể của bạn:

Mỗi biến thể mô hình được thiết kế để mang lại sự cân bằng giữa Độ chính xác trung bình (mAP) và độ trễ, giúp bạn tối ưu hóa tác vụ phát hiện đối tượng về cả hiệu suất và tốc độ.

Ví dụ sử dụng

Ultralytics đã làm YOLO -Các mô hình NAS dễ dàng tích hợp vào Python ứng dụng thông qua của chúng tôi ultralytics python gói. Gói cung cấp một người dùng thân thiện Python API để đơn giản hóa quy trình.

Các ví dụ sau đây cho thấy cách sử dụng YOLO -Các mô hình NAS với ultralytics gói cho suy luận và xác thực:

Ví dụ về suy luận và xác thực

Trong ví dụ này chúng tôi xác thực YOLO -NAS-s trên tập dữ liệu 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")

# 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

Nhiệm vụ và chế độ được hỗ trợ

Chúng tôi cung cấp ba biến thể của YOLO -Các mẫu NAS: Nhỏ (s), Trung bình (m) và Lớn (l). Mỗi biến thể được thiết kế để đáp ứng các nhu cầu tính toán và hiệu suất khác nhau:

• YOLO -NAS-s : Được tối ưu hóa cho các môi trường có tài nguyên điện toán hạn chế nhưng hiệu quả là yếu tố then chốt.
• YOLO -NAS-m : Cung cấp phương pháp cân bằng, phù hợp để phát hiện đối tượng 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, trong đó tài nguyên tính toán ít bị hạn chế.

Dưới đây là tổng quan chi tiết về từng mẫu, bao gồm các liên kết đến trọng lượng được đào tạo trước, các tác vụ mà chúng hỗ trợ và khả năng tương thích của chúng với các chế độ vận hành khác nhau.

Trích dẫn và Lời cảm ơn

Nếu bạn sử dụng YOLO -NAS trong công trình nghiên cứu hoặc phát triển của bạn, vui lòng trích dẫn SuperGradients:

@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},
}

Chúng tôi bày tỏ lòng biết ơn của chúng tôi tới Deci AI nhóm SuperGradients vì những nỗ lực của họ trong việc tạo ra và duy trì nguồn tài nguyên có giá trị này cho cộng đồng thị giác máy tính . Chúng tôi tin rằng YOLO -NAS, với kiến trúc tiên tiến và khả năng phát hiện vật thể vượt trội, sẽ trở thành một công cụ quan trọng cho cả nhà phát triển và nhà nghiên cứu.

CÂU HỎI THƯỜNG GẶP

Là gì YOLO -NAS và nó cải thiện như thế nào so với trước đây YOLO mô hình?

YOLO -NAS, được phát triển bởi Deci AI , là một mô hình phát hiện đối tượng tiên tiến tận dụng công nghệ Tìm kiếm kiến trúc thần kinh (NAS) tiên tiến. Nó giải quyết những hạn chế của các YOLO mô hình bằng cách giới thiệu các tính năng như khối cơ bản thân thiện với lượng tử hóa và các chương trình đào tạo tinh vi. Điều này dẫn đến cải thiện đáng kể về hiệu suất, đặc biệt là trong 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 chuyển đổi sang phiên bản INT8, tăng cường tính phù hợp của nó đối với môi trường sản xuất. Để biết thêm chi tiết, hãy xem phần Tổng quan .

Làm thế nào tôi có thể tích hợp YOLO -Các mô hình NAS vào tôi Python ứng dụng?

Bạn có thể dễ dàng tích hợp YOLO -Các mô hình NAS vào Python ứng dụng sử dụng ultralytics gói. Đây là một ví dụ đơn giản về cách tải một gói được đào tạo trước YOLO - Mô hình NAS và thực hiện suy luận:

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 suy luận và xác thực .

Những đặc điểm chính của là gì? YOLO -NAS và tại sao tôi nên cân nhắc sử dụng nó?

YOLO -NAS giới thiệu một số tính năng chính giúp nó trở thành lựa chọn vượt trội cho các nhiệm vụ phát hiện đối tượng:

• Khối cơ bản thân thiện với lượng tử hóa: Kiến trúc nâng cao giúp cải thiện hiệu suất mô hình với độ chính xác tối thiểu sau khi lượng tử hóa.
• Đào tạo và lượng tử hóa tinh vi: Sử dụng các chương trình đào tạo nâng cao và các kỹ thuật lượng tử hóa sau đào tạo.
• Tối ưu hóa và đào tạo trước AutoNAC: Sử dụng tối ưu hóa AutoNAC và được đào tạo trước trên các tập dữ liệu nổi bật như COCO, Objects365 và Roboflow 100.

Các tính năng này góp phần tạo nên độ chính xác cao, hiệu suất hiệu quả và tính phù hợp để triển khai trong môi trường sản xuất. Tìm hiểu thêm trong phần Tính năng chính .

Những nhiệm vụ và chế độ nào được hỗ trợ bởi YOLO -Mô hình NAS?

YOLO -Các mô hình NAS hỗ trợ nhiều tác vụ và chế độ phát hiện đối tượng khác nhau như suy luận, xác thực và xuất. Chúng không hỗ trợ đào tạo. Các mô hình được hỗ trợ bao gồm YOLO -NAS, YOLO -NAS-m, và YOLO -NAS-l, mỗi loại được thiết kế riêng cho các khả năng tính toán và nhu cầu hiệu suất khác nhau. Để biết tổng quan chi tiết, hãy tham khảo phần Nhiệm vụ và Chế độ được hỗ trợ .

Có được đào tạo trước không? YOLO - Có những mẫu NAS nào và tôi có thể truy cập chúng bằng cách nào?

Đúng, Ultralytics cung cấp được đào tạo trước YOLO -Các mô hình NAS mà bạn có thể truy cập trực tiếp. Các mô hình này được đào tạo trước 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 mô hình này bằng các liên kết được cung cấp trong phần Mô hình được đào tạo trước . Sau đây là một số ví dụ:

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

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 16 ngày

Bình luận