YOLO-NAS

Instalasi

YOLO-NAS tidak memerlukan komponen tambahan selain paket dasar.

pip install libreyolo

Prediksi

Nama checkpoint yang belum tersedia di disk diambil dari CDN publik Deci, bukan organisasi LibreYOLO, yang tidak meng-host bobot ini. Sebelum transfer dimulai, library mencetak ketentuan lisensi Deci satu kali per proses, dan sebelum berkas unduhan dibuka, SHA-256-nya diperiksa terhadap nilai yang ditetapkan. Izin yang diberikan ketentuan tersebut dijelaskan dalam lisensi.

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Nama yang belum tersedia di disk diambil dari CDN Deci. Pengunduhan# mencetak ketentuan lisensi Deci terlebih dahulu; mengambil berkas berarti menerimanya.model = LibreYOLO("LibreYOLONASs.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

libreyolo predict model=LibreYOLONASs.pt save=True \  source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Sufiks -pose memilih head pose dan kumpulan bobotnya sendiri.model = LibreYOLO("LibreYOLONASs-pose.pt")result = model(SAMPLE_IMAGE) print(result.keypoints.xy)

Objek Results yang dikembalikan sama dengan yang dikembalikan setiap family, jadi mengganti detektor hanya memerlukan perubahan satu baris. conf menetapkan ambang batas confidence dan iou menetapkan ambang NMS. Lihat prediksi untuk sumber, streaming, dan penanganan hasil.

Varian

Deteksi dan pose memakai arsitektur yang sama di bawah head berbeda, serta menerima argumen yang sama. Ukuran pada tabel di bawah adalah ukuran deteksi; pose diterbitkan pada ukuran tersebut dan satu ukuran lebih kecil. Head pose memprediksi kumpulan keypoint COCO.

Pelatihan

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLONASs.pt")model.train(data="my-dataset.yaml", epochs=100, imgsz=640, batch=16)

libreyolo train model=LibreYOLONASs.pt data=my-dataset.yaml \  epochs=100 imgsz=640 batch=16

from libreyolo import LibreYOLONAS # Tidak ada checkpoint Deci yang disentuh: model dimulai dari bobot acak,# sehingga hasil proses hanya diturunkan dari data Anda.model = LibreYOLONAS(None, size="s")model.train(data="my-dataset.yaml", imgsz=640, batch=16)

epochs, lr0, dan amp ditentukan per task jika dihilangkan, sehingga proses pose dimulai dengan default berbeda dari proses deteksi. Optimizer memakai AdamW secara default. Jumlah kelas berasal dari YAML dataset dan head dibangun ulang agar sesuai sebelum epoch pertama; pada head pose, jumlah keypoint ditangani dengan cara yang sama, sehingga checkpoint pose COCO dapat di-fine-tune ke skeleton berukuran berbeda.

Fine-tuning dimulai dari bobot Deci, yang dicakup oleh lisensi Deci. Pelatihan dari model yang diinisialisasi secara acak sama sekali tidak melibatkan checkpoint Deci, dan itulah snippet ketiga di atas.

Lihat pelatihan untuk dataset, augmentasi, multi-GPU, dan logger.

Validasi

val() mengembalikan dictionary dengan key metrics/ yang mencakup presisi, recall, mAP 50, dan mAP 50-95, yang diukur terhadap dataset apa pun dalam format yang digunakan untuk pelatihan.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLONASs.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

libreyolo val model=LibreYOLONASs.pt data=my-dataset.yaml

# YAML COCO bawaan menyertakan skrip unduhan tertanam, sehingga# memerlukan izin eksplisit kecuali dataset sudah tersedia secara lokal.libreyolo val model=LibreYOLONASl.pt data=coco.yaml imgsz=640 \  allow_download_scripts=True

Ekspor

Artefak hasil ekspor dimuat kembali melalui LibreYOLO() berdasarkan sufiks berkasnya, sehingga berkas .onnx atau .engine berperilaku seperti checkpoint dan mengembalikan Results yang sama. Menjalankan graph pada runtime mandiri tanpa memasang LibreYOLO juga didukung, tetapi prapemrosesan dan pascapemrosesannya harus ditulis sendiri. Setiap format memasang komponen tambahan berbeda dan menerima beberapa argumen sendiri. Keduanya dijelaskan pada halaman format tersebut.

Ekspor merupakan salinan lain dari bobot yang sama dalam container berbeda. Mengekspor checkpoint Deci tidak mengubah asal bobot maupun lisensi yang mencakupnya.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLONASs.pt")model.export(format="onnx", imgsz=640)

libreyolo export model=LibreYOLONASs.pt format=onnx imgsz=640

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Factory merutekan berdasarkan sufiks berkas, sehingga artefak hasil ekspor# dimuat seperti checkpoint lain dan mengembalikan objek Results yang sama.model = LibreYOLO("LibreYOLONASs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

Checkpoint

Tidak ada yang dapat dicantumkan. Lisensi Deci melarang distribusi ulang, sehingga organisasi LibreYOLO tidak menerbitkan bobot YOLO-NAS dan unduhan diselesaikan di tempat lain: nama berbentuk LibreYOLONAS<size>.pt, atau LibreYOLONAS<size>-pose.pt untuk pose, dipetakan ke objek yang sesuai pada CDN publik Deci.

Hanya checkpoint dengan SHA-256 yang ditetapkan library yang dapat diambil dengan cara itu. Semua yang lain gagal dalam kondisi tertutup, bukan membuka pickle pihak ketiga yang belum diverifikasi, dan harus diunduh secara manual lalu diteruskan sebagai path. Berkas yang sudah ada di disk dimuat dari path-nya tanpa pengunduhan dan tanpa pemeriksaan checksum. Ini termasuk berkas .pth Deci dengan nama aslinya, yang dikenali loader.

Lisensi

Sitasi

YOLO-NAS dirilis tanpa makalah. Entri di bawah adalah yang diminta penulisnya dan mencakup SuperGradients, library tempat model ini dirilis.

@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},
}