O SuperGradients ainda é mantido?

Não. A última versão foi a 3.7.1, em abril de 2024, pouco antes de a NVIDIA adquirir a Deci. Desde então, o repositório não teve novas versões, as issues ficam sem resposta e o site da documentação saiu do ar. Ele não foi arquivado formalmente, mas não há ninguém cuidando dele.

Qual é a melhor alternativa ao SuperGradients?

Para executar YOLO-NAS, o LibreYOLO carrega os mesmos pesos da Deci por meio de uma API mantida e com licença MIT, além de oferecer treinamento, validação e exportação. Se você depende das receitas de treinamento do SuperGradients para outras arquiteturas, o repositório antigo ainda funciona quando você fixa as dependências.

Posso usar YOLO-NAS comercialmente?

Os pesos pré-treinados da Deci não podem ser usados comercialmente, independentemente da biblioteca que os carrega. A arquitetura tem uma licença permissiva, então treinar um YOLO-NAS do zero com seus próprios dados gera um modelo sem nenhum checkpoint da Deci no histórico.

Todos os artigos

Alternativa ao SuperGradients para visão computacional em tempo real

15 de agosto de 2026Xuban

O SuperGradients era a biblioteca de treinamento de código aberto da Deci e a casa do YOLO-NAS, um dos detectores em tempo real mais precisos já lançados. Em maio de 2024, a NVIDIA adquiriu a Deci, e o SuperGradients ficou inativo. A última versão, 3.7.1, saiu em 8 de abril de 2024. A documentação em supergradients.com saiu do ar. Há cerca de 120 issues abertas, e a issue intitulada "Este projeto morreu?" não tem resposta de um mantenedor, o que por si só já responde à pergunta.

O repositório não foi arquivado, então à primeira vista parece ativo. Na prática, o abandono fica evidente assim que você tenta instalá-lo: super-gradients fixa torchmetrics==0.8, que entra em conflito com as pilhas atuais do PyTorch, e ainda traz hydra, omegaconf, boto3 e tensorboard. A cada mês, essas versões fixadas entram em mais conflito com o restante do seu ambiente, e nenhuma correção está a caminho.

Isso não torna o YOLO-NAS um modelo pior. A variante grande ainda alcança 52.2 mAP no COCO em velocidade de tempo real. O modelo está bem; o lugar onde ele morava pegou fogo.

Execute os mesmos pesos no LibreYOLO

O LibreYOLO carrega os checkpoints YOLO-NAS diretamente da CDN da Deci, usando a mesma API que usa para todas as outras famílias de modelos. Você não precisa escrever configurações de hydra nem desembrulhar um wrapper de predição:

from libreyolo import LibreYOLO

model = LibreYOLO("LibreYOLONASs.pt")  # download automático na primeira execução
results = model("image.jpg", save=True)
print(results[0].boxes.xyxy)
print(results[0].boxes.conf)

As variantes de detecção S, M e L funcionam, assim como a de pose: troque por LibreYOLONASs-pose.pt para obter os keypoints do COCO. Como todas as famílias retornam o mesmo objeto Results, comparar YOLO-NAS com RF-DETR ou D-FINE nos seus próprios dados exige uma alteração de uma linha, em vez de uma segunda base de código.

Treinamento e exportação, não apenas inferência

O SuperGradients era, antes de tudo, uma biblioteca de treinamento, então uma alternativa de verdade precisa permitir treinar. O LibreYOLO faz fine-tuning do YOLO-NAS no seu dataset com a mesma chamada usada para os outros modelos:

from libreyolo import LibreYOLO

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

Você também pode treinar a partir de um modelo com inicialização aleatória, o que importa para o licenciamento (falaremos mais disso abaixo). A validação retorna métricas mAP para qualquer dataset no seu formato, e a exportação inclui ONNX, TorchScript, OpenVINO, NCNN e TFLite. Essa matriz de exportação é mais ampla do que a biblioteca original chegou a oferecer para YOLO-NAS. Os detalhes estão na página de documentação do YOLO-NAS, e há uma nota mais curta sobre como YOLO-NAS continua sendo mantido.

Quando o repositório antigo ainda é a escolha certa

Uma seção franca. Três casos em que você deve manter o SuperGradients instalado:

CoreML. O LibreYOLO não exporta YOLO-NAS para CoreML. Se você distribui em dispositivos Apple e precisa de um .mlpackage, o SuperGradients ainda tem um caminho funcional.

TensorRT. O SuperGradients documentou e testou o fluxo com TensorRT para YOLO-NAS, incluindo todas as particularidades do tamanho de batch. O suporte do LibreYOLO a TensorRT para essa família não foi testado.

Receitas de treinamento com reconhecimento de quantização. O YOLO-NAS foi projetado para INT8, e o SuperGradients oferecia as receitas de QAT que faziam o modelo se destacar nesse cenário. O LibreYOLO exporta com quantização INT8 e FP16, mas não tem um equivalente a essas receitas de treinamento.

O repositório ainda funciona se você fixar um ambiente da época de 2024. Só não é uma boa ideia construir algo novo sobre uma base que ninguém mantém.

Uma observação sobre os pesos

Os pesos pré-treinados do YOLO-NAS são da Deci e foram lançados sob uma licença para uso não comercial. Essa licença acompanha os pesos em qualquer biblioteca que os carregue. O LibreYOLO não hospeda nem espelha esses pesos: o download vem da CDN pública da Deci e exibe os termos da Deci antes de começar. Para pesquisa e trabalho não comercial, qualquer uma das opções serve.

Se você precisa de um YOLO-NAS para uso comercial, agora há um caminho claro: a própria arquitetura tem uma licença permissiva, então treinar do zero com seus dados gera um modelo que não deriva de nenhum checkpoint da Deci. O LibreYOLO oferece suporte exatamente a isso com LibreYOLONAS(None, size="s").

Experimente

pip install libreyolo

from libreyolo import LibreYOLO

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

O LibreYOLO usa a licença MIT, roda em Linux, Mac e Windows e funciona em GPU, Apple Silicon e CPU comum sem nenhuma alteração no código. Uma API reúne YOLO-NAS, RF-DETR, D-FINE, DEIM, YOLOX, RTMDet e muitos outros, para detecção, segmentação, pose, classificação, profundidade e rastreamento.

Dê uma estrela no GitHub: github.com/LibreYOLO/libreyolo | Documentação: libreyolo.com/docs