YOLO-NAS

概述

由Deci AI开发的YOLO-NAS是一个开创性的目标检测基础模型。它是先进的神经架构搜索技术的产物，经过精心设计，旨在解决以前YOLO模型的局限性。凭借在量化支持和准确性-延迟权衡方面的显著改进，YOLO-NAS代表了目标检测领域的一大飞跃。

YOLO-NAS概述。 YOLO-NAS 采用量化感知块和选择性量化以实现最佳性能。该模型在转换为 INT8 量化版本时，精度下降极小，相较于其他模型有显著改进。这些进步最终形成了一个卓越的架构，具有前所未有的目标 detect 能力和出色的性能。

主要功能

• 量化友好型基础模块：YOLO-NAS引入了一种对量化友好的新型基础模块，解决了以前YOLO模型的一个显著限制。
• 精密训练与量化：YOLO-NAS 利用先进的训练方案和训练后量化来提升性能。
• AutoNAC优化与预训练：YOLO-NAS利用AutoNAC优化，并在COCO、Objects365和Roboflow 100等知名数据集上进行预训练。这种预训练使其非常适合生产环境中的下游目标detect任务。

预训练模型

体验 Ultralytics 提供的预训练 YOLO-NAS 模型所带来的下一代目标检测的强大功能。这些模型旨在提供一流的速度和准确性性能。从各种根据您的特定需求量身定制的选项中进行选择：

每个模型变体都旨在在平均精度均值 (mAP) 和延迟之间取得平衡，帮助您优化目标检测任务的性能和速度。

使用示例

Ultralytics 已通过我们的方式，使 YOLO-NAS 模型易于集成到您的 python 应用程序中 ultralytics python 包。该包提供了一个用户友好的 Python API，以简化流程。

以下示例展示了如何使用 YOLO-NAS 模型与 ultralytics 用于推理和验证的软件包：

推理和验证示例

在此示例中，我们在COCO8数据集上验证YOLO-NAS-s。

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

支持的任务和模式

我们提供 YOLO-NAS 模型的三种变体：小型 (s)、中型 (m) 和大型 (l)。每种变体都旨在满足不同的计算和性能需求：

• YOLO-NAS-s：针对计算资源有限但效率至关重要的环境进行了优化。
• YOLO-NAS-m：提供了一种平衡的方法，适用于具有更高精度的通用目标检测。
• YOLO-NAS-l：专为需要最高精度且计算资源限制较少的场景量身定制。

以下是每个模型的详细概述，包括其预训练权重的链接、它们支持的任务以及它们与不同操作模式的兼容性。

引用和致谢

如果您在研究或开发工作中使用 YOLO-NAS，请引用 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},
}

我们向 Deci AI 的 SuperGradients 团队表示感谢，感谢他们为计算机视觉社区创建和维护这一宝贵资源。我们相信 YOLO-NAS 凭借其创新的架构和卓越的 detect 能力，将成为开发者和研究人员的重要工具。

常见问题

什么是YOLO-NAS，它如何改进了之前的YOLO模型？

YOLO-NAS 由 Deci AI 开发，是一种最先进的目标检测模型，利用先进的神经架构搜索 (NAS) 技术。它通过引入量化友好的基本块和复杂的训练方案等特性，解决了之前 YOLO 模型的局限性。这显著提升了性能，尤其是在计算资源有限的环境中。YOLO-NAS 还支持量化，即使转换为 INT8 版本也能保持高精度，增强了其在生产环境中的适用性。有关更多详细信息，请参阅概述部分。

如何将 YOLO-NAS 模型集成到我的 Python 应用程序中？

您可以轻松地将 YOLO-NAS 模型集成到您的 Python 应用程序中，使用 ultralytics 包。以下是一个简单的示例，展示如何加载预训练的 YOLO-NAS 模型并执行推理：

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")

更多信息，请参考推理和验证示例。

YOLO-NAS的主要特性是什么，以及为何值得考虑使用它？

YOLO-NAS 引入了几个关键特性，使其成为目标 detect 任务的卓越选择：

• 量化友好的基本块： 增强的架构，可在量化后以最小的精度下降提高模型性能。
• 复杂的训练和量化： 采用先进的训练方案和训练后量化技术。
• AutoNAC优化与预训练：利用AutoNAC优化，并在COCO、Objects365和Roboflow 100等知名数据集上进行预训练。

这些特性使其具有高精度、高效的性能，并适用于在生产环境中部署。请在主要特性部分了解更多信息。

YOLO-NAS模型支持哪些任务和模式？

YOLO-NAS 模型支持多种目标检测任务和模式，例如推理、验证和导出。它们不支持训练。支持的模型包括 YOLO-NAS-s、YOLO-NAS-m 和 YOLO-NAS-l，每个都针对不同的计算能力和性能需求进行了定制。有关详细概述，请参阅支持的任务和模式部分。

是否有预训练的YOLO-NAS模型可用，以及如何访问它们？

是的，Ultralytics 提供了预训练的 YOLO-NAS 模型，您可以直接访问。这些模型在 COCO 等数据集上进行了预训练，确保了速度和准确性方面的高性能。您可以使用 预训练模型 部分中提供的链接下载这些模型。以下是一些示例：

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

📅 2 年前创建 ✏️ 4 天前更新

评论