YOLO-NAS

Visão geral

Desenvolvido pela Deci AI, o YOLO-NAS é um modelo fundamental inovador de detecção de objetos. É o produto de tecnologia avançada de Pesquisa de Arquitetura Neural, meticulosamente projetado para abordar as limitações dos modelos YOLO anteriores. Com melhorias significativas no suporte à quantização e nas compensações de precisão-latência, o YOLO-NAS representa um grande avanço na detecção de objetos.

Visão geral do YOLO-NAS. O YOLO-NAS emprega blocos com reconhecimento de quantização e quantização seletiva para um desempenho ideal. O modelo, quando convertido para sua versão quantizada INT8, experimenta uma queda mínima de precisão, uma melhoria significativa em relação a outros modelos. Esses avanços culminam em uma arquitetura superior com capacidades de detecção de objetos sem precedentes e desempenho excepcional.

Principais Características

• Bloco Básico Amigável à Quantização: O YOLO-NAS introduz um novo bloco básico que é amigável à quantização, abordando uma das limitações significativas dos modelos YOLO anteriores.
• Treinamento e Quantização Sofisticados: O YOLO-NAS aproveita esquemas de treinamento avançados e quantização pós-treinamento para aprimorar o desempenho.
• Otimização AutoNAC e Pré-treinamento: O YOLO-NAS utiliza a otimização AutoNAC e é pré-treinado em conjuntos de dados proeminentes como COCO, Objects365 e Roboflow 100. Este pré-treinamento o torna extremamente adequado para tarefas de detecção de objetos downstream em ambientes de produção.

Modelos Pré-treinados

Experimente o poder da detecção de objetos de última geração com os modelos YOLO-NAS pré-treinados fornecidos pela Ultralytics. Esses modelos são projetados para oferecer desempenho de alto nível em termos de velocidade e precisão. Escolha entre uma variedade de opções adaptadas às suas necessidades específicas:

Cada variante de modelo é projetada para oferecer um equilíbrio entre Precisão Média Média (mAP) e latência, ajudando você a otimizar suas tarefas de detecção de objetos tanto para desempenho quanto para velocidade.

Exemplos de uso

A Ultralytics tornou os modelos YOLO-NAS fáceis de integrar em suas aplicações Python através do nosso ultralytics pacote python. O pacote fornece uma API Python amigável para agilizar o processo.

Os exemplos a seguir mostram como usar os modelos YOLO-NAS com o ultralytics pacote para inferência e validação:

Exemplos de Inferência e Validação

Neste exemplo, validamos o YOLO-NAS-s no conjunto de dados COCO8.

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

Tarefas e Modos Suportados

Oferecemos três variantes dos modelos YOLO-NAS: Pequeno (s), Médio (m) e Grande (l). Cada variante é projetada para atender a diferentes necessidades computacionais e de desempenho:

• YOLO-NAS-s: Otimizado para ambientes onde os recursos computacionais são limitados, mas a eficiência é fundamental.
• YOLO-NAS-m: Oferece uma abordagem equilibrada, adequada para detecção de objetos de propósito geral com maior precisão.
• YOLO-NAS-l: Projetado para cenários que exigem a mais alta precisão, onde os recursos computacionais são menos limitantes.

A seguir, uma visão geral detalhada de cada modelo, incluindo links para seus pesos pré-treinados, as tarefas que eles suportam e sua compatibilidade com diferentes modos de operação.

Citações e Agradecimentos

Se você utilizar o YOLO-NAS em seu trabalho de pesquisa ou desenvolvimento, por favor, cite o 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},
}

Expressamos nossa gratidão à equipe SuperGradients da Deci AI por seus esforços na criação e manutenção deste valioso recurso para a comunidade de visão computacional. Acreditamos que o YOLO-NAS, com sua arquitetura inovadora e capacidades superiores de detecção de objetos, se tornará uma ferramenta crítica para desenvolvedores e pesquisadores.

FAQ

O que é YOLO-NAS e como ele melhora em relação aos modelos YOLO anteriores?

O YOLO-NAS, desenvolvido pela Deci AI, é um modelo de detecção de objetos de última geração que aproveita a tecnologia avançada de Neural Architecture Search (NAS). Ele aborda as limitações dos modelos YOLO anteriores, introduzindo recursos como blocos básicos amigáveis à quantização e esquemas de treinamento sofisticados. Isso resulta em melhorias significativas no desempenho, particularmente em ambientes com recursos computacionais limitados. O YOLO-NAS também suporta a quantização, mantendo alta precisão mesmo quando convertido para sua versão INT8, aumentando sua adequação para ambientes de produção. Para mais detalhes, consulte a seção Visão Geral.

Como posso integrar modelos YOLO-NAS em minha aplicação Python?

Você pode integrar facilmente os modelos YOLO-NAS em sua aplicação Python usando o ultralytics pacote. Aqui está um exemplo simples de como carregar um modelo YOLO-NAS pré-treinado e realizar a inferência:

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")

Para mais informações, consulte os Exemplos de Inferência e Validação.

Quais são os principais recursos do YOLO-NAS e por que devo considerar usá-lo?

O YOLO-NAS introduz vários recursos importantes que o tornam uma escolha superior para tarefas de detecção de objetos:

• Bloco Básico Amigável à Quantização: Arquitetura aprimorada que melhora o desempenho do modelo com perda mínima de precisão após a quantização.
• Treino Sofisticado e Quantização: Emprega esquemas de treino avançados e técnicas de quantização pós-treino.
• Otimização AutoNAC e Pré-treino: Utiliza a otimização AutoNAC e é pré-treinado em conjuntos de dados proeminentes como COCO, Objects365 e Roboflow 100.

Esses recursos contribuem para sua alta precisão, desempenho eficiente e adequação para implantação em ambientes de produção. Saiba mais na seção Principais Recursos.

Quais tarefas e modos são suportados pelos modelos YOLO-NAS?

Os modelos YOLO-NAS suportam várias tarefas e modos de deteção de objetos, como inferência, validação e exportação. Eles não suportam treino. Os modelos suportados incluem YOLO-NAS-s, YOLO-NAS-m e YOLO-NAS-l, cada um adaptado a diferentes capacidades computacionais e necessidades de desempenho. Para uma visão geral detalhada, consulte a seção Tarefas e Modos Suportados.

Existem modelos YOLO-NAS pré-treinados disponíveis e como posso acessá-los?

Sim, a Ultralytics fornece modelos YOLO-NAS pré-treinados que você pode aceder diretamente. Esses modelos são pré-treinados em conjuntos de dados como o COCO, garantindo alto desempenho em termos de velocidade e precisão. Você pode baixar esses modelos usando os links fornecidos na seção Modelos Pré-treinados. Aqui estão alguns exemplos:

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

📅 Criado há 1 ano ✏️ Atualizado há 3 meses

Comentários