YOLO-NAS#

概述#

YOLO-NAS 由 Deci AI 开发，是一款开创性的目标检测基础模型。它采用先进的神经架构搜索技术，经过精心设计，旨在解决先前 YOLO 模型的局限性。YOLO-NAS 在量化支持以及准确率与延迟之间的权衡方面实现了显著改进，是目标检测领域的一项重大突破。

YOLO-NAS 概述。 YOLO-NAS 采用量化感知模块和选择性量化，以实现最佳性能。将模型转换为 INT8 量化版本后，精度损失极小，相较于其他模型有了显著提升。这些进步共同造就了更出色的架构，使其具备前所未有的目标检测能力和卓越性能。

主要功能#

• 量化友好型基础模块： YOLO-NAS 引入了一种新的量化友好型基础模块，解决了先前 YOLO 模型的一项重要局限性。
• 先进的训练与量化： YOLO-NAS 采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 使用 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在生产环境中执行下游目标检测任务。

预训练模型#

借助 Ultralytics 提供的 YOLO-NAS 预训练模型，体验新一代目标检测的强大能力。这些模型经过专门设计，在速度和准确率方面都能提供顶级性能。你可以根据具体需求，从多种选项中进行选择：

每种模型变体都旨在平衡平均精度均值（mAP）与延迟，帮助你兼顾性能和速度，优化目标检测任务。

使用示例#

Ultralytics 通过我们的 ultralytics Python 软件包，让你可以轻松地将 YOLO-NAS 模型集成到 Python 应用中。该软件包提供易于使用的 Python API，可简化整个流程。

以下示例展示如何使用 ultralytics 软件包中的 YOLO-NAS 模型进行推理和验证：

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

# 加载经过 COCO 预训练的 YOLO-NAS-s 模型
model = NAS("yolo_nas_s.pt")

# 显示模型信息（可选）
model.info()

# 在 COCO8 示例数据集上验证模型
results = model.val(data="coco8.yaml")

# 使用 YOLO-NAS-s 模型对图像 'bus.jpg' 执行推理
results = model("path/to/bus.jpg")

支持的任务和模式#

我们提供三个版本的 YOLO-NAS 模型：小型（s）、中型（m）和大型（l）。每个版本都针对不同的计算能力和性能需求而设计：

• 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：兼顾各方面需求，适合对准确率要求较高的通用目标检测任务。
• YOLO-NAS-l：专为要求最高准确率且计算资源限制较少的场景设计。

下面详细介绍每个模型，包括其预训练权重链接、支持的任务，以及与不同运行模式的兼容性。

引用与致谢#

如果你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},
}

我们感谢 Deci AI 的 SuperGradients 团队为计算机视觉社区创建并维护这一宝贵资源所付出的努力。我们相信，凭借创新的架构和卓越的目标检测能力，YOLO-NAS 将成为开发者和研究人员的重要工具。

常见问题#