6.7 KiB

Raw Blame History

comments	description	keywords
true	探索详细的YOLO-NAS文档，这是一个更高级的物体检测模型。了解其特点、预训练模型、与Ultralytics Python API的使用等内容。	YOLO-NAS, Deci AI, 物体检测, 深度学习, 神经架构搜索, Ultralytics Python API, YOLO模型, 预训练模型, 量化, 优化, COCO, Objects365, Roboflow 100

YOLO-NAS

概述

由Deci AI开发，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，经过精心设计以解决之前YOLO模型的局限性。YOLO-NAS在量化支持和准确性-延迟权衡方面取得了重大改进，代表了物体检测领域的重大飞跃。

YOLO-NAS概览。 YOLO-NAS采用量化感知块和选择性量化实现最佳性能。当将模型转换为INT8量化版本时，模型会经历较小的精度损失，比其他模型有显著改进。这些先进技术使得YOLO-NAS成为具有前所未有的物体检测能力和出色性能的卓越架构。

主要特点

量化友好基本块： YOLO-NAS引入了一种新的基本块，对量化友好，解决了之前YOLO模型的一个重要局限性。
高级训练和量化： YOLO-NAS利用先进的训练方案和训练后量化以提高性能。
AutoNAC优化和预训练： YOLO-NAS利用AutoNAC优化，并在著名数据集（如COCO、Objects365和Roboflow 100）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物体检测任务。

预训练模型

通过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。这些模型旨在在速度和准确性方面提供出色的性能。根据您的需求，可以选择各种选项：

模型	mAP	延迟（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

每个模型变体均旨在在均衡平均精度（mAP）和延迟之间提供平衡，帮助您为性能和速度都进行优化的物体检测任务。

用法示例

通过我们的ultralytics python包，Ultralytics使得将YOLO-NAS模型集成到您的Python应用程序中变得容易。该包提供了一个用户友好的Python API，以简化流程。

以下示例展示了如何使用ultralytics包与YOLO-NAS模型进行推理和验证：

推理和验证示例

这个示例中，我们在COCO8数据集上验证YOLO-NAS-s。

!!! 例子

以下示例为YOLO-NAS提供了简单的推理和验证代码。有关处理推理结果的方法，请参见[Predict](../modes/predict.md)模式。有关使用其他模式的YOLO-NAS的方法，请参见[Val](../modes/val.md)和[Export](../modes/export.md)。`ultralytics`包中的YOLO-NAS不支持训练。

=== "Python"

    可以将预训练的PyTorch `*.pt`模型文件传递给`NAS()`类以在python中创建一个模型实例：

    ```python
    from ultralytics import NAS

    # 加载一个在COCO上预训练的YOLO-NAS-s模型
    model = NAS('yolo_nas_s.pt')

    # 显示模型信息（可选）
    model.info()

    # 在COCO8示例数据集上验证模型
    results = model.val(data='coco8.yaml')

    # 使用YOLO-NAS-s模型对'bus.jpg'图像进行推理
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

    可以使用CLI命令直接运行模型：

    ```bash
    # 加载一个在COCO上预训练的YOLO-NAS-s模型，并验证其在COCO8示例数据集上的性能
    yolo val model=yolo_nas_s.pt data=coco8.yaml

    # 加载一个在COCO上预训练的YOLO-NAS-s模型，并对'bus.jpg'图像进行推理
    yolo predict model=yolo_nas_s.pt source=path/to/bus.jpg
    ```

支持的任务和模式

我们提供了三种类型的YOLO-NAS模型：Small (s)、Medium (m)和Large (l)。每种类型都旨在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： 提供平衡的方法，适用于具有更高准确性的通用物体检测。
YOLO-NAS-l： 面向需要最高准确性的场景，计算资源不是限制因素。

下面是每个模型的详细信息，包括它们的预训练权重链接、支持的任务以及与不同操作模式的兼容性。

模型类型	预训练权重链接	支持的任务	推理	验证	训练	导出
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	✅	✅	❌	✅

引用和致谢

如果您在研究或开发工作中使用了YOLO-NAS，请引用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},
    }
    ```

我们向Deci AI的SuperGradients团队表示感谢，他们致力于创建和维护这个对计算机视觉社区非常有价值的资源。我们相信YOLO-NAS凭借其创新的架构和卓越的物体检测能力，将成为开发者和研究人员的重要工具。

keywords: 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, 量化友好基本块, 高级训练方案, 训练后量化, AutoNAC优化, COCO, Objects365, Roboflow 100

6.7 KiB Raw Blame History