Zašto je YOLO-NAS najbolji model za detekciju objekata u seriji YOLO?

Nakon YOLOv8, tu je još novi i bolji najsuvremeniji model detekcije objekata, YOLO-NAS. To je algoritam za otkrivanje objekata koji je razvio Deci AI kako bi se uhvatio u koštac s ograničenjima prethodnih modela YOLO (You Only Look Once).

Model je napravljen od AutoNAC-a, tražilice neuronske arhitekture. Nadmašuje brzinu i performanse SOTA modela, što predstavlja veliki skok u detekciji objekata poboljšanjem kompromisa točnosti-latencije i podrške kvantizaciji.

Ovaj će članak raspravljati o prednostima i značajkama YOLO-NAS-a, istražujući zašto je to najbolji model za otkrivanje objekata u seriji YOLO.

Razumijevanje kako radi YOLO-NAS

Decijev AutoNAC (Automated Neural Architecture Construction) generira YOLO-NAS arhitekturu. AutoNAC je besprijekoran proces koji pruža povećanje performansi postojećim dubokim neuronskim mrežama.

AutoNAC cjevovod uzima dubinsku neuronsku mrežu koju je trenirao korisnik kao ulaz, skup podataka i pristup sustavu zaključivanja. Duboka neuronska mreža koju je obučavao korisnik zatim se podvrgava redizajniranju pomoću cjevovoda. Tada se postiže optimizirana arhitektura s nižom latencijom bez ugrožavanja točnosti.

YOLO-NAS koristi RepVGG. RepVGG ga čini dostupnim za optimizaciju nakon treninga ponovnom parametrizacijom ili kvantizacijom nakon treninga. To je vrsta arhitekture neuronske mreže koja se temelji na VGG. Koristi tehnike regulacije dizajnirane za poboljšanje sposobnosti generalizacije modela dubokog učenja.

Dizajn arhitekture je učinkovitiji u brzini i memoriji. RepVGG prolazi obuku koristeći arhitekturu s više grana kako bi se postiglo brže zaključivanje. Zatim se pretvara u jednu granu pomoću ponovne parametrizacije.

Ova značajka čini YOLO-NAS vrlo korisnim za produkcijsku implementaciju. To je zato što je moguće uvježbati i optimizirati model s potpunom preciznošću za brzinu zaključivanja i korištenje memorije.

Ključne značajke YOLO-NAS-a

Ključne značajke YOLO-NAS-a uključuju sljedeće:

• Obuka svjesna kvantizacije: Model koristi QSP i QCI (module svjesne kvantizacije) za smanjenje gubitka točnosti tijekom kvantizacije nakon obuke kombiniranjem ponovne parametrizacije 8-bitne kvantizacije.
• Automatski dizajn arhitekture: AutoNAC, Decijeva vlasnička NAS tehnologija traži optimalnu arhitekturu modela koja integrira temeljne arhitekture YOLO modela kako bi se dobio optimizirani model.
• Hibridna tehnika kvantizacije: Standardna metoda kvantizacije utječe na cijeli model. Nasuprot tome, tehnika hibridne kvantizacije kvantizira dio modela kako bi uravnotežila latenciju i točnost modela.
• Koristite jedinstvene pristupe za pripremu modela za obuku korištenjem automatski označenih podataka. Model tada uči iz svojih predviđanja i pristupa velikim količinama podataka.

Usporedna analiza: YOLO-NAS u odnosu na druge YOLO modele

Ispod je usporedba između različitih modela serije YOLO.

YOLO-NAS je bolji od već postojećih modela detekcije objekata, ali dolazi sa svojim nedostacima. Evo popisa prednosti i mana YOLO-NAS-a:

Pros

• To je open-source.
• 10-20% je brži od već postojećih YOLO modela.
• Točniji je u usporedbi s već postojećim modelima YOLO.
• Koristi bolju arhitekturu, AutoNAC. Ovo postavlja novi rekord u otkrivanju objekata, pružajući najbolju točnost i izvedbu kompromisa latencije.
• Besprijekorna podrška za mehanizme zaključivanja kao što je NVIDIA. Ova značajka ga čini modelom spremnim za proizvodnju.
• Ima bolju memorijsku učinkovitost i povećanu brzinu zaključivanja.

Protiv

• Još nije stabilan jer je tehnologija još uvijek nova i nije masovno korištena u proizvodnji.

Implementacija YOLO-NAS-a

Vi ćete koristiti Google Colab za pisanje i pokretanje kodova u ovoj implementaciji. Alternativa za Google Colab bila bi stvoriti virtualno okruženje i koristite IDE na vašem lokalnom računalu.

Model je vrlo intenzivan. Provjerite imate li najmanje 8 GB RAM-a prije nego što ga pokrenete na svom računalu. Što je veća veličina videa, to više memorije koristi.

Instaliranje ovisnosti

Instalirajte YOLO-NAS ovisnost, super-gradijenti pomoću naredbe ispod:

pip instaliraj super-gradijente==3.1.2

Nakon uspješne instalacije, sada ćete moći trenirati YOLO-NAS model.

Obuka modela

Da biste obučili model, pokrenite blok koda u nastavku:

iz super_gradijenti.trening uvoz modeli
yolo_nas_l = modeli.get("yolo_nas_l", pretvježbane_težine="koko")

U ovaj kod uvozite model obuke iz instalirane biblioteke SuperGradients. Zatim koristite unaprijed obučene težine modela iz COCO skupa podataka.

Zaključivanje modela

Zaključivanje modela ima potencijalne primjene za zadatke detekcije slike, klasifikacije i segmentacije.

U ovom slučaju, usredotočit ćete se na zadatak otkrivanja objekta za video i slike. Da biste otkrili objekt na slici, pokrenite blok koda u nastavku:

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

Pazite da koristite točan put do vaše slike. U tom slučaju prenesite sliku u okruženje Google Colab, zatim kopirajte putanju slike.

Očekivani rezultat:

Da biste otkrili objekte u videozapisu, pokrenite blok koda u nastavku:

uvoz baklja
input_video_path = "put_do_videozapisa"
izlazni_video_put = "otkriveno.mp4"
uređaj = 'cuda'ako torch.cuda.is_available() drugo"procesor"
yolo_nas_l.to (uređaj).predict (input_video_path).save (output_video_path)

Kao i slikovni podaci, prenesite video za koji želite da se njegovi objekti otkriju u Google Colab okruženje i kopirajte putanju do video varijable. Predviđeni videozapis bit će dostupan iz okruženja Google Colab pomoću naziva otkriveno.mp4. Preuzmite videozapis na svoje lokalno računalo prije završetka sesije.

Očekivani rezultat:

YOLO-NAS također podržava fino podešavanje modela i obuku na prilagođenim podacima. Dokumentacija je dostupna na Decijevo fino podešavanje početni prijenosnik.

Primjene YOLO-NAS-a u stvarnom svijetu

Izvorni kod YOLO-NAS-a dostupan je pod licencom Apache 2.0, koja je dostupna za nekomercijalnu upotrebu. Za komercijalnu upotrebu, model bi se trebao podvrgnuti prekvalifikaciji od nule kako bi dobio prilagođene težine.

Riječ je o svestranom modelu čija je primjena moguća u nekoliko područja, kao što su:

Autonomna vozila i robotika

YOLO-NAS može poboljšati sposobnosti percepcije autonomnih vozila, omogućujući im brže i točnije otkrivanje i praćenje objekata u stvarnom vremenu. Ova mogućnost pomaže u osiguravanju sigurnosti na cesti i glatkog iskustva vožnje.

Sustavi nadzora i sigurnosti

Model može pružiti brzu, točnu detekciju objekata u stvarnom vremenu za nadzor i sigurnost sustava, što pomaže u prepoznavanju potencijalnih prijetnji ili sumnjivih aktivnosti, što rezultira boljom sigurnošću sustava

Maloprodaja i upravljanje zalihama

Model može pružiti mogućnosti brze i točne detekcije objekata koje omogućuju učinkovito automatizirano upravljanje inventarom u stvarnom vremenu, praćenje zaliha i optimizaciju polica. Ovaj model pomaže smanjiti operativne troškove i povećati profit.

Zdravstvena njega i medicinsko snimanje

U zdravstvu, YOLO-NAS može pomoći u učinkovitom otkrivanju i analizi anomalija bolesti ili specifičnih područja interesa. Model može pomoći liječnicima da točno dijagnosticiraju bolesti i prate pacijente, čime se poboljšava zdravstveni sektor.

YOLO-NAS Za van

YOLO-NAS je novi model detekcije objekata koji je pionir u novom načinu izvođenja detekcije objekata. Bolji je od SOTA modela. Njegova izvedba detekcije objekata veliki je skok za projekte računalnog vida.