YOLO-NAS on YOLO seeria objektituvastusmudelite tipp. Aga miks peetakse seda parimaks?

Pärast YOLOv8 on veel uus ja parem tipptasemel objektituvastuse mudel YOLO-NAS. See on objektituvastusalgoritm, mille on välja töötanud Deci AI, et tulla toime eelmiste YOLO (You Only Look Once) mudelite piirangutega.

Mudel on ehitatud närviarhitektuuri otsingumootorist AutoNAC. See ületab SOTA mudelite kiiruse ja jõudluse, mis kujutab endast suurt hüpet objektide tuvastamises, parandades täpsuse-latentsuse ja kvantimise toe kompromisse.

Selles artiklis käsitletakse YOLO-NAS-i tugevusi ja omadusi, uurides, miks see on YOLO seeria parim objektide tuvastamise mudel.

YOLO-NASi toimimise mõistmine

Deci AutoNAC (Automated Neural Architecture Construction) genereerib YOLO-NAS-i arhitektuuri. AutoNAC on sujuv protsess, mis suurendab olemasolevate sügavate närvivõrkude jõudlust.

AutoNAC-i konveier kasutab kasutaja koolitatud sügavat närvivõrku sisendiks, andmekogumiks ja juurdepääsuks järeldussüsteemile. Kasutaja koolitatud sügav närvivõrk läbib seejärel torujuhtme abil ümberkujundamise. Optimeeritud arhitektuur väiksema latentsusajaga saavutatakse täpsust kahjustamata.

YOLO-NAS kasutab RepVGG-d. RepVGG teeb selle kättesaadavaks treeningjärgseks optimeerimiseks ümberparameetrite või treeningujärgse kvantiseerimise abil. See on VGG-l põhinev närvivõrgu arhitektuuri tüüp. See kasutab seadustamistehnikaid, mis on loodud süvaõppemudelite üldistusvõime parandamiseks.

Arhitektuuri disain on kiiruse ja mälu osas tõhusam. RepVGG läbib kiirema järelduse tegemiseks koolituse, kasutades mitmeharulist arhitektuuri. Seejärel teisendatakse see ümberparameetrite abil üheks haruks.

See funktsioon muudab YOLO-NASi tootmiseks juurutamiseks väga kasulikuks. Seda seetõttu, et mudelit on võimalik järelduskiiruse ja mälukasutuse jaoks täieliku täpsusega treenida ja optimeerida.

YOLO-NAS-i põhifunktsioonid

YOLO-NAS-i põhifunktsioonid on järgmised:

  • Kvantimise-teadlik koolitus: Mudel kasutab QSP-d ja QCI-d (kvantimisest teadlikud moodulid), et vähendada täpsuse kadu treeningjärgse kvantimise ajal, kombineerides 8-bitise kvantimise ümberparameetristamist.
  • Automaatne arhitektuurikujundus: AutoNAC, Deci patenteeritud NAS-tehnoloogia otsib optimaalset mudeliarhitektuuri, mis integreerib YOLO mudelite põhiarhitektuurid, et luua optimeeritud mudel.
  • Hübriidkvantimise tehnika: standardne kvantimismeetod mõjutab kogu mudelit. Seevastu hübriidkvantimistehnika kvantiseerib mudeli osa, et tasakaalustada mudeli latentsust ja täpsust.
  • Kasutage unikaalseid lähenemisviise, et valmistada mudel koolituseks ette, kasutades automaatselt märgistatud andmeid. Seejärel õpib mudel oma ennustustest ja pääseb juurde suurele hulgale andmetele.

Võrdlev analüüs: YOLO-NAS vs teised YOLO mudelid

Allpool on toodud erinevate YOLO seeria mudelite võrdlus.

YOLO-NAS on parem kui olemasolevad objektituvastusmudelid, kuid sellel on oma miinused. Siin on nimekiri YOLO-NAS-i eelistest ja puudustest:

Plussid

  • See on avatud lähtekoodiga.
  • See on 10-20% kiirem kui olemasolevad YOLO mudelid.
  • See on varasemate YOLO mudelitega võrreldes täpsem.
  • See kasutab paremat arhitektuuri AutoNAC. See püstitab objektide tuvastamises uue rekordi, pakkudes parimat täpsust ja latentsusaega.
  • Sujuv tugi järeldusmootoritele nagu NVIDIA. See funktsioon muudab selle tootmisvalmis mudeliks.
  • Sellel on parem mälutõhusus ja suurem järelduskiirus.

Miinused

  • See ei ole veel stabiilne, kuna tehnoloogia on alles uus ja seda pole tootmises metsikult kasutatud.

YOLO-NASi rakendamine

Sa kasutad Google Colab koodide kirjutamiseks ja käitamiseks selles teostuses. Google Colabi alternatiiviks oleks luua virtuaalne keskkond ja kasutage oma kohalikus masinas IDE-d.

Mudel on väga ressursimahukas. Enne selle arvutis käivitamist veenduge, et teil oleks vähemalt 8 GB RAM-i. Mida suurem on video suurus, seda rohkem mälu see kasutab.

Sõltuvuste installimine

Installige YOLO-NAS-i sõltuvus, supergradiendid kasutades allolevat käsku:

pip install super-gradients==3.1.2

Pärast edukat installimist saate nüüd YOLO-NASi mudelit koolitada.

Modellikoolitus

Mudeli koolitamiseks käivitage allolev koodiplokk:

alates super_gradients.training importida mudelid
yolo_nas_l = models.get("yolo_nas_l", eeltreenitud_kaalud="kookos")

Impordite treeningmudeli selles koodis installitud SuperGradientsi teegist. Seejärel kasutate COCO andmestiku eelkoolitatud mudelikaalusid.

Mudeli järeldus

Mudeli järeldusel on potentsiaalseid rakendusi kujutiste tuvastamiseks, klassifitseerimiseks ja segmenteerimiseks.

Sel juhul keskendute sellele objekti tuvastamise ülesanne videote ja piltide jaoks. Objekti tuvastamiseks pildil käivitage allolev koodiplokk:

url = "img_path"
yolo_nas_l.predict (url, conf=0.25).show()

Veenduge, et kasutate oma pildini täpset teed. Sel juhul laadige pilt üles Google Colabi keskkonda, seejärel kopeerige pildi tee.

Eeldatav väljund:

Objektide tuvastamiseks videos käivitage allolev koodiplokk:

importida tõrvik
sisendi_video_tee = "tee_videoni"
väljundi_video_tee = "tuvastatud.mp4"
seade = 'cuda'kui torch.cuda.is_available() muidu"Protsessor"
yolo_nas_l.to (seade).prognoosi (input_video_path).save (output_video_path)

Sarnaselt pildiandmetega laadige üles video, mille objektid tuvastatakse, Google Colabi keskkonda ja kopeerige tee videomuutuja juurde. Prognoositud videole pääseb juurde Google Colabi keskkonnas, kasutades nime tuvastatud.mp4. Enne seansi lõpetamist laadige video alla oma kohalikku masinasse.

Eeldatav väljund:

YOLO-NAS toetab ka mudeli peenhäälestamist ja kohandatud andmete koolitust. Dokumentatsioon on saadaval aadressil Detsi oma peenhäälestusega startermärkmik.

YOLO-NASi reaalmaailma rakendused

YOLO-NAS-i lähtekoodile pääseb juurde Apache License 2.0 alusel, mis on juurdepääsetav mitteäriliseks kasutamiseks. Kommertseks kasutamiseks tuleks mudelit kohandatud kaalu saamiseks nullist ümber õpetada.

See on mitmekülgne mudel, mille kasutamine on võimalik mitmes valdkonnas, näiteks:

Autonoomsed sõidukid ja robootika

YOLO-NAS võib parandada autonoomsete sõidukite tajumisvõimet, võimaldades neil objekte kiiremini ja täpsemalt reaalajas tuvastada ja jälgida. See võime aitab tagada liiklusohutuse ja sujuva sõidukogemuse.

Valve- ja turvasüsteemid

Mudel võib pakkuda kiiret, täpset ja reaalajas objektide tuvastamist jälgimiseks ja turvalisuse tagamiseks süsteemid, mis aitavad tuvastada võimalikke ohte või kahtlaseid tegevusi, mille tulemuseks on parem turvalisus süsteemid

Jaemüügi ja varude haldamine

Mudel võib pakkuda kiiret ja täpset objektide tuvastamise võimalusi, mis võimaldavad tõhusat ja reaalajas automatiseeritud laohaldust, laoseisu jälgimist ja riiulite optimeerimist. See mudel aitab vähendada tegevuskulusid ja suurendada kasumit.

Tervishoid ja meditsiiniline pildistamine

Tervishoius on YOLO-NAS võimeline aitama tõhusalt tuvastada ja analüüsida haiguslikke kõrvalekaldeid või konkreetseid huvipakkuvaid valdkondi. Mudel võib aidata arstidel haigusi täpselt diagnoosida ja patsiente jälgida, parandades seeläbi tervishoiusektorit.

YOLO-NAS Takeaway

YOLO-NAS on uus objektide tuvastamise mudel, mis on teerajajaks objektide tuvastamise uuel viisil. See on parem kui SOTA mudelid. Selle jõudlus objektide tuvastamisel on arvutinägemisprojektide jaoks suur hüpe.