Alternativa a SuperGradients para visión artificial en tiempo real
SuperGradients era la biblioteca de entrenamiento de código abierto de Deci y el hogar de YOLO-NAS, uno de los detectores en tiempo real más precisos que se han publicado. En mayo de 2024, NVIDIA adquirió Deci y SuperGradients dejó de avanzar. La última versión, la 3.7.1, se publicó el 8 de abril de 2024. La documentación de supergradients.com dejó de estar disponible. Hay unas 120 incidencias abiertas, y la titulada «¿Está muerto este proyecto?» no tiene respuesta de ningún mantenedor, lo que ya es una respuesta en sí misma.
El repositorio no está archivado, así que a primera vista parece activo. En la práctica, notas que está abandonado en cuanto intentas instalarlo: super-gradients fija torchmetrics==0.8, que entra en conflicto con las pilas actuales de PyTorch, y además incorpora hydra, omegaconf, boto3 y tensorboard. Cada mes que pasa, esas versiones fijadas entran más en conflicto con el resto de tu entorno, y no llegará ninguna solución.
Nada de esto hace que YOLO-NAS sea un modelo peor. La variante grande sigue alcanzando 52.2 mAP en COCO a velocidad de tiempo real. El modelo está bien; lo que se quemó fue su casa.
Ejecuta los mismos pesos con LibreYOLO
LibreYOLO carga los checkpoints de YOLO-NAS directamente desde la CDN de Deci, mediante la misma API que utiliza para todas las demás familias de modelos. No tienes que escribir configuraciones de hydra ni desenvolver un wrapper de predicción:
from libreyolo import LibreYOLO
model = LibreYOLO("LibreYOLONASs.pt") # auto-downloads on first run
results = model("image.jpg", save=True)
print(results[0].boxes.xyxy)
print(results[0].boxes.conf)
Funcionan todas las variantes de detección S, M y L, y también la variante de pose: sustituye el modelo por LibreYOLONASs-pose.pt y obtendrás los puntos clave de COCO. Como todas las familias devuelven el mismo objeto Results, comparar YOLO-NAS con RF-DETR o D-FINE en tus propios datos requiere cambiar una línea, en vez de usar otra base de código.
Entrenamiento y exportación, no solo inferencia
SuperGradients era ante todo una biblioteca de entrenamiento, así que una alternativa real también debe permitir entrenar. LibreYOLO ajusta YOLO-NAS a tu dataset con la misma llamada que utiliza para cualquier otro modelo:
from libreyolo import LibreYOLO
model = LibreYOLO("LibreYOLONASs.pt")
model.train(data="my-dataset.yaml", epochs=100, imgsz=640, batch=16)
También puedes entrenar desde una inicialización aleatoria, algo relevante para las licencias (más información abajo). La validación devuelve métricas mAP para cualquier dataset en tu formato, y la exportación admite ONNX, TorchScript, OpenVINO, NCNN y TFLite. Es una matriz de formatos de exportación más amplia que la que llegó a ofrecer la biblioteca original para YOLO-NAS. Encontrarás todos los detalles en la página de documentación de YOLO-NAS, y una nota más breve sobre cómo YOLO-NAS sigue teniendo mantenimiento.
Cuándo el repositorio antiguo sigue siendo la opción adecuada
Seamos claros. Hay tres casos en los que conviene conservar SuperGradients instalado:
CoreML. LibreYOLO no exporta YOLO-NAS a CoreML. Si publicas en dispositivos Apple y necesitas un .mlpackage, SuperGradients todavía tiene una ruta funcional.
TensorRT. SuperGradients documentaba y probaba su flujo de TensorRT para YOLO-NAS, incluidos los detalles particulares del tamaño de batch. La compatibilidad de LibreYOLO con TensorRT para esta familia no está probada.
Recetas de entrenamiento con cuantización consciente. YOLO-NAS se diseñó para INT8, y SuperGradients publicó las recetas QAT que permitían aprovecharlo al máximo. LibreYOLO exporta con cuantización INT8 y FP16, pero no tiene un equivalente a esas recetas de entrenamiento.
El repositorio todavía funciona si fijas un entorno de la época de 2024. Simplemente, no deberías construir nada nuevo sobre una base que nadie mantiene.
Una nota sobre los pesos
Los pesos preentrenados de YOLO-NAS son de Deci y se publicaron bajo una licencia para uso no comercial. Esa licencia acompaña a los pesos, sea cual sea la biblioteca que los cargue. LibreYOLO no aloja ni refleja ninguno de esos pesos: la descarga procede de la CDN pública de Deci y muestra sus condiciones antes de comenzar. Para investigación y trabajo no comercial, ambas opciones son válidas.
Si necesitas un YOLO-NAS para uso comercial, ahora hay una vía clara: la arquitectura tiene una licencia permisiva, así que entrenar desde cero con tus propios datos produce un modelo que no deriva de ningún checkpoint de Deci. LibreYOLO lo permite con LibreYOLONAS(None, size="s").
Pruébalo
pip install libreyolo
from libreyolo import LibreYOLO
model = LibreYOLO("LibreYOLONASl.pt")
results = model("image.jpg", save=True)
LibreYOLO tiene licencia MIT, funciona en Linux, Mac y Windows, y funciona en GPU, Apple Silicon y CPU sin cambiar el código. Una sola API abarca YOLO-NAS, RF-DETR, D-FINE, DEIM, YOLOX, RTMDet y muchos más, en detección, segmentación, pose, clasificación, profundidad y seguimiento.
Dale una estrella en GitHub: github.com/LibreYOLO/libreyolo | Documentación: libreyolo.com/docs