Czy SuperGradients jest nadal utrzymywany?

Nie. Ostatnie wydanie, 3.7.1, ukazało się w kwietniu 2024 roku, tuż przed przejęciem Deci przez NVIDIA. Od tego czasu repozytorium nie doczekało się nowych wydań, zgłoszenia pozostają bez odpowiedzi, a strona dokumentacji przestała działać. Projekt nie został formalnie zarchiwizowany, ale nikt się nim nie opiekuje.

Jaka jest najlepsza alternatywa dla SuperGradients?

Do uruchamiania YOLO-NAS biblioteka LibreYOLO ładuje te same wagi Deci za pomocą utrzymywanego API na licencji MIT, a do tego obsługuje trenowanie, walidację i eksport. Jeśli potrzebne są przepisy trenowania SuperGradients dla innych architektur, stare repozytorium nadal działa po przypięciu jego zależności.

Wszystkie artykuły

Alternatywa dla SuperGradients: YOLO-NAS do detekcji obiektów w czasie rzeczywistym

15 sierpnia 2026Xuban

SuperGradients był biblioteką open source Deci do trenowania i miejscem rozwoju YOLO-NAS, jednego z najdokładniejszych detektorów czasu rzeczywistego, jakie kiedykolwiek wydano. W maju 2024 roku NVIDIA przejęła Deci, a rozwój SuperGradients ucichł. Ostatnie wydanie, 3.7.1, ukazało się 8 kwietnia 2024 roku. Dokumentacja na supergradients.com przestała działać. Około 120 zgłoszeń pozostaje otwartych, a zgłoszenie zatytułowane „Czy ten projekt umarł?” nie doczekało się odpowiedzi od opiekuna projektu. To samo w sobie jest odpowiedzią.

Repozytorium nie zostało zarchiwizowane, więc na pierwszy rzut oka wygląda na aktywne. W praktyce porzucenie projektu daje o sobie znać już przy próbie instalacji: super-gradients przypina torchmetrics==0.8, co powoduje konflikt z aktualnymi stosami PyTorch, a przy okazji dodaje zależności od hydra, omegaconf, boto3 i tensorboard. Z każdym miesiącem przypięte wersje coraz bardziej kolidują z resztą środowiska, a poprawka nie nadchodzi.

Nie oznacza to, że YOLO-NAS jest gorszym modelem. Duży wariant nadal osiąga 52.2 mAP na COCO przy szybkości czasu rzeczywistego. Model jest w porządku, spłonął tylko jego dom.

Uruchamianie tych samych wag w LibreYOLO

LibreYOLO ładuje checkpointy YOLO-NAS bezpośrednio z CDN Deci, korzystając z tego samego API co dla wszystkich pozostałych rodzin modeli. Nie trzeba tworzyć konfiguracji hydra ani rozpakowywać wyników z dodatkowej nakładki predykcyjnej:

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)

Warianty detekcyjne S, M i L działają, podobnie jak wariant do estymacji pozy: wystarczy podstawić LibreYOLONASs-pose.pt, aby otrzymać punkty kluczowe COCO. Ponieważ każda rodzina zwraca ten sam obiekt Results, porównanie YOLO-NAS z RF-DETR lub D-FINE na własnych danych wymaga zmiany jednej linii zamiast przechodzenia na drugą bazę kodu.

Trenowanie i eksport, nie tylko inferencja

SuperGradients był przede wszystkim biblioteką do trenowania, więc prawdziwa alternatywa musi umożliwiać trenowanie. LibreYOLO dostraja YOLO-NAS na własnym zbiorze danych za pomocą tego samego wywołania co w przypadku pozostałych modeli:

from libreyolo import LibreYOLO

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

Można też trenować model z losowo zainicjowanymi wagami, co ma znaczenie ze względu na licencję (więcej na ten temat poniżej). Walidacja zwraca metryki mAP dla dowolnego zbioru danych w wymaganym formacie, a eksport obejmuje ONNX, TorchScript, OpenVINO, NCNN i TFLite. To szerszy zakres formatów eksportu, niż oryginalna biblioteka kiedykolwiek oferowała dla YOLO-NAS. Pełne informacje znajdują się na stronie dokumentacji YOLO-NAS, a krótsza notka wyjaśnia, że YOLO-NAS jest nadal utrzymywany.

Kiedy warto pozostać przy starym repozytorium

Szczera ocena. Są trzy przypadki, w których warto zachować zainstalowane SuperGradients:

CoreML. LibreYOLO nie eksportuje YOLO-NAS do CoreML. Jeśli model ma działać na urządzeniach Apple i potrzebny jest plik .mlpackage, SuperGradients nadal zapewnia działającą ścieżkę.

TensorRT. SuperGradients dokumentował i testował przepływ TensorRT dla YOLO-NAS, łącznie ze wszystkimi osobliwościami rozmiaru batcha. Obsługa TensorRT dla tej rodziny w LibreYOLO nie została przetestowana.

Przepisy trenowania ze świadomością kwantyzacji. YOLO-NAS zaprojektowano z myślą o INT8, a SuperGradients udostępniał przepisy QAT, które pozwalały w pełni wykorzystać ten wariant. LibreYOLO eksportuje modele z kwantyzacją INT8 i FP16, ale nie ma odpowiednika tych przepisów trenowania.

Repozytorium nadal działa po przypięciu środowiska z wersjami z 2024 roku. Lepiej jednak nie opierać nowych projektów na fundamencie, którego nikt nie utrzymuje.

Uwaga na temat wag

Wstępnie wytrenowane wagi YOLO-NAS należą do Deci i zostały wydane na licencji niekomercyjnej. Licencja obowiązuje niezależnie od biblioteki, która ładuje wagi. LibreYOLO nie hostuje ani nie kopiuje tych wag. Plik jest pobierany z publicznego CDN Deci, a przed rozpoczęciem pobierania wyświetlane są warunki Deci. Do badań i zastosowań niekomercyjnych można używać obu bibliotek.

Jeśli potrzebny jest komercyjny model YOLO-NAS, dostępna jest teraz prosta ścieżka: sama architektura jest objęta liberalną licencją, więc trenowanie od zera na własnych danych daje model, który nie wywodzi się z żadnego checkpointu Deci. LibreYOLO obsługuje dokładnie taki scenariusz za pomocą LibreYOLONAS(None, size="s").

Wypróbuj

pip install libreyolo

from libreyolo import LibreYOLO

model = LibreYOLO("LibreYOLONASl.pt")
results = model("image.jpg", save=True)

LibreYOLO jest objęte licencją MIT, działa w systemach Linux, Mac i Windows oraz obsługuje GPU, Apple Silicon i zwykły CPU bez zmian w kodzie. Jedno API obejmuje YOLO-NAS, RF-DETR, D-FINE, DEIM, YOLOX, RTMDet i wiele innych modeli, a także detekcję, segmentację, estymację pozy, klasyfikację, estymację głębi i śledzenie.

Dodaj gwiazdkę na GitHubie: github.com/LibreYOLO/libreyolo | Dokumentacja: libreyolo.com/docs