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：

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。

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。

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。

常见问题

YOLO-NAS是什么，与以前的YOLO 型号相比有何改进？

YOLO-NAS由Deci AI 开发，是一种利用先进的神经架构搜索（NAS）技术的先进物体检测模型。它通过引入量化友好的基本模块和复杂的训练方案等功能，解决了以往YOLO 模型的局限性。这大大提高了性能，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，从而增强了其在生产环境中的适用性。更多详情，请参阅概述部分。

如何将YOLO-NAS 模型集成到Python 应用程序中？

您可以使用以下工具轻松地将YOLO-NAS 模型集成到您的Python 应用程序中 ultralytics 软件包。下面是一个如何加载预训练的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")

更多信息，请参阅推理和验证示例。

YOLO-NAS 有哪些主要功能，为什么要考虑使用它？

YOLO-NAS引入了几项关键功能，使其成为物体检测任务的最佳选择：

• 量化友好型基本模块：增强型架构，可提高模型性能，同时将量化后的精度下降降至最低。
• 先进的训练和量化技术：采用先进的训练方案和训练后量化技术。
• AutoNAC 优化和预训练：利用 AutoNAC 优化，并在 COCO、Objects365 和Roboflow 100 等著名数据集上进行了预训练。 这些特点使其具有高准确性、高效性能，并适合在生产环境中部署。在主要功能部分了解更多信息。

YOLO-NAS 型号支持哪些任务和模式？

YOLO-NAS 模型支持各种目标检测任务和模式，如推理、验证和输出。它们不支持训练。支持的模型包括YOLO-NAS-s、YOLO-NAS-m 和YOLO-NAS-l，每种模型都针对不同的计算能力和性能需求而定制。有关详细概述，请参阅 "支持的任务和模式"部分。

是否有预先训练好的YOLO-NAS 模型，如何获取？

是的，Ultralytics 提供预训练的YOLO-NAS 模型，您可以直接访问。这些模型是在 COCO 等数据集上预先训练的，可确保在速度和准确性方面的高性能。您可以使用预训练模型部分提供的链接下载这些模型。下面是一些示例：

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

评论