Ultralytics YOLO27：

YOLO-NAS#

重要更新

请注意，YOLO-NAS 的原始创建者 Deci 已被 NVIDIA 收购。因此，Deci 不再积极维护这些模型。Ultralytics 将继续支持这些模型的使用，但预计原团队不会再发布更新。

概述#

YOLO-NAS 由 Deci AI 开发，是一种突破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，旨在解决以往 YOLO 模型的局限性。凭借在量化支持以及精度-延迟权衡方面的显著改进，YOLO-NAS 代表了目标检测领域的一次重大飞跃。

COCO 基准测试中 YOLO-NAS 模型精度对比 YOLO-NAS 概览。 YOLO-NAS 采用量化感知模块和选择性量化，以实现最佳性能。模型转换为 INT8 量化版本后，精度下降极小，相较于其他模型有了显著改进。这些进步最终形成了更优越的架构，具备前所未有的目标检测能力和出色性能。

主要特性#

  • 量化友好的基础模块： YOLO-NAS 引入了一种支持量化的新型基础模块，解决了以往 YOLO 模型的一项重大局限性。
  • 先进的训练与量化： 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 使用 AutoNAC 优化，并在 COCO、Objects365 和 Roboflow 100 等重要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检测任务。

预训练模型#

使用 Ultralytics 提供的预训练 YOLO-NAS 模型，体验新一代目标检测的强大能力。这些模型在速度和精度方面都经过设计，可提供一流的性能。你可以根据具体需求选择多种选项：

性能
模型mAP延迟 (ms)
YOLO-NAS S47.53.21
YOLO-NAS M51.555.85
YOLO-NAS L52.227.87
YOLO-NAS S INT-847.032.36
YOLO-NAS M INT-851.03.78
YOLO-NAS L INT-852.14.78

每个模型变体都旨在在平均精度均值 (mAP) 与延迟之间实现平衡，帮助你在目标检测任务中兼顾性能和速度。

使用示例#

Ultralytics 让你能通过我们的 ultralytics Python 软件包，轻松将 YOLO-NAS 模型集成到你的 Python 应用中。该软件包提供了一个用户友好的 Python API 来简化这个过程。

以下示例展示了如何使用 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，我们将在 COCO8 数据集上验证 YOLO-NAS-s。

示例

此示例提供了用于 YOLO-NAS 的简单推理和验证代码。如需处理推理结果，请参阅 Predict 模式。如需将 YOLO-NAS 用于其他模式，请参阅 Val 和 Export。ultralytics 软件包中的 YOLO-NAS 不支持训练。

PyTorch 预训练的 *.pt 模型文件可以传递给 NAS() 类，以便在 Python 中创建一个模型实例：

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")

支持的任务和模式#

我们提供三种 YOLO-NAS 模型变体：小型 (s)、中型 (m) 和大型 (l)。每种变体都针对不同的计算资源和性能需求而设计：

  • 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：在准确性更高的情况下实现平衡，适用于通用目标检测。
  • YOLO-NAS-l：针对要求最高精度且计算资源限制较少的场景进行了定制。

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。

模型类型预训练权重支持的任务训练验证推理导出
YOLO-NAS-syolo_nas_s.pt对象检测❌✅✅✅
YOLO-NAS-myolo_nas_m.pt对象检测❌✅✅✅
YOLO-NAS-lyolo_nas_l.pt对象检测❌✅✅✅

引用和致谢#

如果你在研究或开发工作中使用 YOLO-NAS，请引用 SuperGradients：

引用
@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 团队为创建和维护这一对计算机视觉社区非常有价值的资源所付出的努力。我们相信，YOLO-NAS 凭借其创新架构和卓越的目标检测能力，将成为开发者和研究人员都不可或缺的工具。

常见问题#

  • YOLO-NAS 由 Deci AI 开发，是一种采用先进神经架构搜索 (NAS) 技术的先进目标检测模型。它通过引入量化友好的基础模块和先进的训练方案等特性，解决了以往 YOLO 模型的局限性。这带来了显著的性能提升，尤其适用于计算资源有限的环境。YOLO-NAS 还支持量化，在转换为 INT8 版本后仍能保持较高精度，从而增强了其对生产环境的适用性。有关更多详情，请参阅概览部分。

  • 你可以使用 ultralytics 软件包，轻松将 YOLO-NAS 模型集成到 Python 应用中。下面是加载预训练 YOLO-NAS 模型并执行推理的简单示例：

    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")

    有关更多信息，请参阅推理和验证示例。

  • YOLO-NAS 引入了多项关键特性，使其成为目标检测任务的更优选择：

    • 量化友好的基础模块： 改进后的架构可在量化后仅造成极小精度下降的同时提升模型性能。
    • 先进的训练与量化： 采用先进的训练方案和训练后量化技术。
    • AutoNAC 优化与预训练： 使用 AutoNAC 优化，并在 COCO、Objects365 和 Roboflow 100 等重要数据集上进行预训练。

    这些特性带来了高精度、高效性能，并使其适合部署在生产环境中。请在主要特性部分了解更多信息。

  • 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，但不支持训练。支持的模型包括 YOLO-NAS-s、YOLO-NAS-m 和 YOLO-NAS-l，每种模型都针对不同的计算能力和性能需求进行了定制。有关详细概览，请参阅支持的任务和模式部分。

  • 有，Ultralytics 提供了可以直接访问的预训练 YOLO-NAS 模型。这些模型在 COCO 等数据集上进行了预训练，在速度和精度方面都能实现高性能。你可以使用预训练模型部分提供的链接下载这些模型。以下是一些示例：

贡献者
GLglenn-jocher24RIRizwanMunawar2Y-Y-T-G2RAraimbekovm1PDpderrenger1LALaughing-q1MAMatthewNoyce1

评论