8.2 KiB

Raw Blame History

comments	description	keywords
true	Explore a documentação detalhada do YOLO-NAS, um modelo superior de detecção de objetos. Saiba mais sobre suas funcionalidades, modelos pré-treinados, uso com a API do Ultralytics Python e muito mais.	YOLO-NAS, Deci AI, detecção de objetos, aprendizado profundo, busca de arquitetura neural, API do Ultralytics Python, modelo YOLO, modelos pré-treinados, quantização, otimização, COCO, Objects365, Roboflow 100

YOLO-NAS

Visão Geral

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

Visão geral do YOLO-NAS. O YOLO-NAS utiliza blocos que suportam quantização e quantização seletiva para obter um desempenho ideal. O modelo, quando convertido para sua versão quantizada INT8, apresenta uma queda mínima na 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 para Quantização: O YOLO-NAS introduz um novo bloco básico que é amigo da quantização, abordando uma das limitações significativas dos modelos YOLO anteriores.
Treinamento e Quantização Sofisticados: O YOLO-NAS utiliza esquemas avançados de treinamento e quantização pós-treinamento para melhorar 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. Esse pré-treinamento torna o modelo extremamente adequado para tarefas de detecção de objetos em ambientes de produção.

Modelos Pré-Treinados

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

Modelo	mAP	Latência (ms)
YOLO-NAS S	47.5	3.21
YOLO-NAS M	51.55	5.85
YOLO-NAS L	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

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

Exemplos de Uso

A Ultralytics tornou os modelos YOLO-NAS fáceis de serem integrados em suas aplicações Python por meio de nosso pacote ultralytics. O pacote fornece uma API Python de fácil utilização para simplificar o processo.

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

Exemplos de Inferência e Validação

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

!!! Example "Exemplo"

Este exemplo fornece um código simples de inferência e validação para o YOLO-NAS. Para lidar com os resultados da inferência, consulte o modo [Predict](../modes/predict.md). Para usar o YOLO-NAS com modos adicionais, consulte [Val](../modes/val.md) e [Export](../modes/export.md). O YOLO-NAS no pacote `ultralytics` não suporta treinamento.

=== "Python"

    Arquivos de modelos pré-treinados `*.pt` do PyTorch podem ser passados para a classe `NAS()` para criar uma instância do modelo em Python:

    ```python
    from ultralytics import NAS

    # Carrega um modelo YOLO-NAS-s pré-treinado no COCO
    model = NAS('yolo_nas_s.pt')

    # Exibe informações do modelo (opcional)
    model.info()

    # Valida o modelo no conjunto de dados de exemplo COCO8
    results = model.val(data='coco8.yaml')

    # Executa inferência com o modelo YOLO-NAS-s na imagem 'bus.jpg'
    results = model('caminho/para/bus.jpg')
    ```

=== "CLI"

    Comandos de CLI estão disponíveis para executar diretamente os modelos:

    ```bash
    # Carrega um modelo YOLO-NAS-s pré-treinado no COCO e valida seu desempenho no conjunto de dados de exemplo COCO8
    yolo val model=yolo_nas_s.pt data=coco8.yaml

    # Carrega um modelo YOLO-NAS-s pré-treinado no COCO e executa inferência na imagem 'bus.jpg'
    yolo predict model=yolo_nas_s.pt source=caminho/para/bus.jpg
    ```

Tarefas e Modos Compatíveis

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

YOLO-NAS-s: Otimizado para ambientes com recursos computacionais limitados, mas eficiência é fundamental.
YOLO-NAS-m: Oferece uma abordagem equilibrada, adequada para detecção de objetos em geral com maior precisão.
YOLO-NAS-l: Adaptado para cenários que requerem a maior precisão, onde os recursos computacionais são menos restritos.

Abaixo está 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.

Tipo de Modelo	Pesos Pré-Treinados	Tarefas Suportadas	Inferência	Validação	Treinamento	Exportação
YOLO-NAS-s	yolo_nas_s.pt	Detecção de Objetos	✅	✅	❌	✅
YOLO-NAS-m	yolo_nas_m.pt	Detecção de Objetos	✅	✅	❌	✅
YOLO-NAS-l	yolo_nas_l.pt	Detecção de Objetos	✅	✅	❌	✅

Citações e Agradecimentos

Se você utilizar o YOLO-NAS em seus estudos ou trabalho de desenvolvimento, por favor, cite o SuperGradients:

!!! Quote ""

=== "BibTeX"

    ```bibtex
    @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},
    }
    ```

Expressamos nossa gratidão à equipe SuperGradients da Deci AI por seus esforços na criação e manutenção deste recurso valioso 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 fundamental para desenvolvedores e pesquisadores.

keywords: YOLO-NAS, Deci AI, detecção de objetos, aprendizado profundo, busca de arquitetura neural, API do Ultralytics Python, modelo YOLO, SuperGradients, modelos pré-treinados, bloco básico amigável para quantização, esquemas avançados de treinamento, quantização pós-treinamento, otimização AutoNAC, COCO, Objects365, Roboflow 100

8.2 KiB Raw Blame History