YOLO-NAS
概述
由Deci AI 开发的YOLO-NAS 是一种开创性的物体检测基础模型。它是先进的神经架构搜索技术的产物,经过精心设计,解决了以往YOLO 模型的局限性。YOLO-NAS在量化支持和准确性-延迟权衡方面有了重大改进,是物体检测领域的一次重大飞跃。
YOLO-NAS概览。 YOLO-NAS采用了量化感知块和选择性量化技术,以获得最佳性能。该模型在转换为 INT8 量化版本时,精度下降极小,比其他模型有显著提高。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检测能力和出色的性能。
主要功能
- 便于量化的基本模块: YOLO-NAS 引入了便于量化的新基本模块,解决了以往YOLO 模型的一个重大局限。
- 先进的训练和量化: YOLO-NAS 利用先进的训练方案和训练后量化来提高性能。
- AutoNAC 优化和预训练: YOLO-NAS 采用了 AutoNAC 优化技术,并在 COCO、Objects365 和Roboflow 100 等著名数据集上进行了预训练。这种预训练使其非常适合生产环境中的下游对象检测任务。
预训练模型
使用Ultralytics 提供的预训练YOLO-NAS 模型,体验下一代物体检测的强大功能。这些模型旨在提供一流的速度和精度性能。您可以根据自己的具体需求从各种选项中进行选择:
模型 | mAP | 延迟(毫秒) |
---|---|---|
YOLO-NAS S | 47.5 | 3.21 |
YOLO--NAS M | 51.55 | 5.85 |
YOLO-LAS | 52.22 | 7.87 |
YOLO-NAS S INT-8 | 47.03 | 2.36 |
YOLO-NAS M INT-8 | 51.0 | 3.78 |
YOLO-NAS L INT-8 | 52.1 | 4.78 |
每种型号的设计都能在平均精度(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 YOLO Python -NAS 型号可通过我们的 ultralytics
python 软件包。该软件包提供了用户友好的Python API,以简化流程。
下面的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
在本例中,我们在 COCO8 数据集上验证了YOLO-NAS-s。
示例
本例为YOLO-NAS 提供了简单的推断和验证代码。有关推理结果的处理,请参见 预测 模式。有关在其他模式下使用YOLO-NAS,请参阅 瓦尔 和 出口.YOLO-NAS上的 ultralytics
软件包不支持培训。
PyTorch 训练有素 *.pt
模型文件可以传递给 NAS()
类在python 中创建模型实例:
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
我们提供三种型号的YOLO-NAS:小型 (s)、中型 (m) 和大型 (l)。每种型号都能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:提供一种均衡的方法,适用于更高精度的通用目标检测。
- YOLO-NAS-l:专为要求最高精确度的场景定制,在这些场景中,计算资源的限制较少。
下面是每个模型的详细概述,包括预训练权重的链接、支持的任务以及与不同运行模式的兼容性。
型号 | 预训练重量 | 支持的任务 | 推论 | 验证 | 培训 | 出口 |
---|---|---|---|---|---|---|
YOLO-NAS-s | yolo_nas_s.pt | 物体检测 | ✅ | ✅ | ❌ | ✅ |
YOLO-NAS-m | yolo_nas_m.pt | 物体检测 | ✅ | ✅ | ❌ | ✅ |
YOLO-NAS-l | yolo_nas_l.pt | 物体检测 | ✅ | ✅ | ❌ | ✅ |
引文和致谢
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/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},
}
我们对Deci AI 的SuperGradients团队表示感谢,感谢他们为计算机视觉领域创建和维护这一宝贵资源所付出的努力。我们相信,YOLO-NAS 凭借其创新的架构和卓越的物体检测能力,将成为开发人员和研究人员的重要工具。
关键词YOLO-NAS、Deci AI 、物体检测、深度学习、神经架构搜索、Ultralytics Python API、YOLO 模型、SuperGradients、预训练模型、量化友好型基本模块、高级训练方案、训练后量化、AutoNAC 优化、COCO、Objects365、Roboflow 100