YOLO-NAS

Genel Bakış

Deci AI tarafından geliştirilen YOLO-NAS, çığır açan bir nesne algılama temel modelidir. Önceki YOLO modellerinin sınırlamalarını gidermek için titizlikle tasarlanmış, gelişmiş bir Sinir Ağı Mimarisi Arama teknolojisinin ürünüdür. Kantizasyon desteği ve doğruluk-gecikme ödünleşimlerinde önemli gelişmelerle YOLO-NAS, nesne algılamada büyük bir atılımı temsil etmektedir.

YOLO-NAS'a genel bakış. YOLO-NAS, optimum performans için niceleme duyarlı bloklar ve seçici niceleme kullanır. Model, INT8 nicelemeli sürümüne dönüştürüldüğünde, diğer modellere göre önemli bir gelişme göstererek minimum hassasiyet kaybı yaşar. Bu gelişmeler, benzeri görülmemiş nesne algılama yetenekleri ve olağanüstü performans ile üstün bir mimaride sonuçlanır.

Temel Özellikler

• Kuvantizasyon Dostu Temel Blok: YOLO-NAS, önceki YOLO modellerinin önemli sınırlamalarından birini ele alarak, kuvantizasyona uygun yeni bir temel blok sunar.
• Gelişmiş Eğitim ve Kuantalama: YOLO-NAS, performansı artırmak için gelişmiş eğitim şemalarından ve eğitim sonrası kuantalamadan yararlanır.
• AutoNAC Optimizasyonu ve Ön Eğitim: YOLO-NAS, AutoNAC optimizasyonunu kullanır ve COCO, Objects365 ve Roboflow 100 gibi öne çıkan veri kümeleri üzerinde önceden eğitilmiştir. Bu ön eğitim, onu üretim ortamlarındaki aşağı yönlü nesne algılama görevleri için son derece uygun hale getirir.

Önceden Eğitilmiş Modeller

Ultralytics tarafından sağlanan önceden eğitilmiş YOLO-NAS modelleriyle yeni nesil nesne algılamanın gücünü deneyimleyin. Bu modeller, hem hız hem de doğruluk açısından en üstün performansı sunmak için tasarlanmıştır. Belirli ihtiyaçlarınıza göre uyarlanmış çeşitli seçenekler arasından seçim yapın:

Her model varyantı, Ortalama Ortalama Hassasiyet (mAP) ve gecikme arasında bir denge sunmak üzere tasarlanmıştır ve nesne algılama görevlerinizi hem performans hem de hız için optimize etmenize yardımcı olur.

Kullanım Örnekleri

Ultralytics, YOLO-NAS modellerini Python uygulamalarınıza entegre etmeyi kolaylaştırdı ultralytics python paketi. Paket, süreci kolaylaştırmak için kullanıcı dostu bir python API'si sağlar.

Aşağıdaki örnekler, YOLO-NAS modellerinin nasıl kullanılacağını göstermektedir: ultralytics çıkarım ve doğrulama için paket:

Çıkarım ve Doğrulama Örnekleri

Bu örnekte, YOLO-NAS-s'yi COCO8 veri kümesi üzerinde doğruluyoruz.

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

Desteklenen Görevler ve Modlar

YOLO-NAS modellerinin üç çeşidini sunuyoruz: Küçük (s), Orta (m) ve Büyük (l). Her bir varyant, farklı hesaplama ve performans ihtiyaçlarını karşılamak üzere tasarlanmıştır:

• YOLO-NAS-s: Hesaplama kaynaklarının sınırlı olduğu ancak verimliliğin önemli olduğu ortamlar için optimize edilmiştir.
• YOLO-NAS-m: Daha yüksek doğrulukla genel amaçlı nesne algılama için uygun, dengeli bir yaklaşım sunar.
• YOLO-NAS-l: Hesaplama kaynaklarının daha az kısıtlayıcı olduğu, en yüksek doğruluğu gerektiren senaryolar için özel olarak tasarlanmıştır.

Aşağıda, önceden eğitilmiş ağırlıklarına bağlantılar, destekledikleri görevler ve farklı çalışma modlarıyla uyumlulukları dahil olmak üzere her modelin ayrıntılı bir genel görünümü bulunmaktadır.

Alıntılar ve Teşekkürler

Araştırma veya geliştirme çalışmalarınızda YOLO-NAS kullanıyorsanız, lütfen SuperGradients'ı kaynak gösterin:

@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},
}

Bilgisayarlı görü topluluğu için bu değerli kaynağı oluşturma ve sürdürme çabalarından dolayı Deci AI'nın SuperGradients ekibine minnettarlığımızı sunuyoruz. Yenilikçi mimarisi ve üstün nesne algılama yetenekleriyle YOLO-NAS'ın, geliştiriciler ve araştırmacılar için kritik bir araç haline geleceğine inanıyoruz.

SSS

YOLO-NAS nedir ve önceki YOLO modellerine göre nasıl bir gelişme sunar?

Deci AI tarafından geliştirilen YOLO-NAS, gelişmiş Sinirsel Mimari Arama (NAS) teknolojisini kullanan, son teknoloji bir nesne algılama modelidir. Niceleme dostu temel bloklar ve gelişmiş eğitim şemaları gibi özellikler sunarak önceki YOLO modellerinin sınırlamalarını ele alır. Bu, özellikle sınırlı hesaplama kaynaklarına sahip ortamlarda performansta önemli iyileşmeler sağlar. YOLO-NAS ayrıca nicelemeyi destekler ve INT8 sürümüne dönüştürüldüğünde bile yüksek doğruluğu koruyarak üretim ortamları için uygunluğunu artırır. Daha fazla ayrıntı için Genel Bakış bölümüne bakın.

YOLO-NAS modellerini Python uygulamama nasıl entegre edebilirim?

YOLO-NAS modellerini kullanarak python uygulamanıza kolayca entegre edebilirsiniz. ultralytics paketi. İşte önceden eğitilmiş bir YOLO-NAS modelini nasıl yükleyeceğinize ve çıkarım gerçekleştireceğinize dair basit bir örnek:

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")

Daha fazla bilgi için Çıkarım ve Doğrulama Örnekleri bölümüne bakın.

YOLO-NAS'ın temel özellikleri nelerdir ve neden kullanmayı düşünmeliyim?

YOLO-NAS, onu nesne algılama görevleri için üstün bir seçim yapan çeşitli temel özellikler sunar:

• Kuvantizasyon Dostu Temel Blok: Kuvantizasyon sonrası minimum kesinlik kaybıyla model performansını artıran geliştirilmiş mimari.
• Gelişmiş Eğitim ve Kuantalama: Gelişmiş eğitim şemaları ve eğitim sonrası kuantalama teknikleri kullanır.
• AutoNAC Optimizasyonu ve Ön Eğitim: AutoNAC optimizasyonunu kullanır ve COCO, Objects365 ve Roboflow 100 gibi öne çıkan veri kümeleri üzerinde önceden eğitilmiştir.

Bu özellikler, yüksek doğruluğuna, verimli performansına ve üretim ortamlarında dağıtıma uygunluğuna katkıda bulunur. Temel Özellikler bölümünde daha fazla bilgi edinin.

YOLO-NAS modelleri hangi görevleri ve modları destekliyor?

YOLO-NAS modelleri, çıkarım, doğrulama ve dışa aktarma gibi çeşitli nesne algılama görevlerini ve modlarını destekler. Eğitim desteği sunmazlar. Desteklenen modeller arasında, her biri farklı hesaplama kapasitelerine ve performans ihtiyaçlarına göre uyarlanmış YOLO-NAS-s, YOLO-NAS-m ve YOLO-NAS-l bulunur. Ayrıntılı bir genel bakış için Desteklenen Görevler ve Modlar bölümüne bakın.

Önceden eğitilmiş YOLO-NAS modelleri mevcut mu ve bunlara nasıl erişebilirim?

Evet, Ultralytics'in doğrudan erişebileceğiniz önceden eğitilmiş YOLO-NAS modelleri vardır. Bu modeller, hem hız hem de doğruluk açısından yüksek performans sağlayan COCO gibi veri setleri üzerinde önceden eğitilmiştir. Önceden Eğitilmiş Modeller bölümünde verilen bağlantıları kullanarak bu modelleri indirebilirsiniz. İşte bazı örnekler:

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

📅 1 yıl önce oluşturuldu ✏️ 3 ay önce güncellendi

Yorumlar