对象检测彻底改变了机器感知和解释人类世界的方式。这是计算机视觉中一项特别关键的任务，使机器能够识别和定位图像或视频中的物体。如自动驾驶汽车、面部识别系统等。推动对象检测进步的一个关键因素是发明了神经网络架构。强大的神经网络推动了对象检测的进步，增强了计算机视觉的能力。特别是，Faster R-CNN和YOLO等架构在塑造现代物体检测架构方面发挥了重要作用。
YOLO代表You Only Look Once，是最流行和最成功的物体检测方法之一。YOLO的第一个版本于2016年推出，通过将对象检测视为单个回归问题，改变了对象检测的执行方式。它将图像划分为网格，同时预测边界框和类概率。虽然它比以前的物体检测方法更快，但YOLOv1在检测小物体方面有局限性。自从第一个YOLO架构出现以来，已经开发了几种基于YOLO的架构，YOLOv6、YOLOv7和YOLOv8是YOLO家族目前最先进的型号。
YOLO-NAS对象检测算法
新的YOLO-NAS以无与伦比的精度-速度性能提供最先进的（SOTA）性能，优于YOLOv5、YOLOv6、YOLOv7和YOLOv8等其他型号。现有的YOLO模型面临限制，如量化支持不足和准确性延迟权衡不足。YOLO-NAS模型在包括COCO、Objects365和Roboflow 100在内的知名数据集上进行了预训练，使其非常适合生产环境中的下游对象检测任务。YOLO-NAS的发布在对象检测模型的推理性能和效率方面实现了重大飞跃，解决了传统模型的局限性，并为各种任务和硬件提供了前所未有的适应性。
YOLO-NAS对象检测算法新功能
YOLO-NAS模型的架构是使用Deci的专有NAS技术AutoNAC“发现的”。该引擎用于确定阶段的最佳尺寸和结构，包括块类型、块数量和每个阶段的通道数量。在整个NAS搜索空间中，有1014种可能的架构配置。作为硬件和数据感知，AutoNAC引擎考虑了推理堆栈中的所有组件，包括编译器和量化，并磨练成一个被称为“效率前沿”的区域，以找到最佳模型。在整个NAS过程中，量化感知RepVGG（QA-RepVGG）块被纳入模型架构，保证模型与训练后量化（PTQ）的兼容性。使用由QA-RepVGG块组成的量化感知“QSP”和“QCI”模块，提供8位量化和重新参数化的好处是在PTQ期间将精度损失降至最低。研究人员还使用混合量化方法，选择性地量化特定层，以优化准确性和延迟权衡，同时保持整体性能。YOLO-NAS模型还使用注意力机制和时间推理参数化来提高物体检测能力。YOLO-NAS的多阶段训练过程包括关于Object365、COCO伪标签数据、知识蒸馏（KD）和分配焦点损失（DFL）的预训练。该模型在Objects365上进行了预训练，Objects365是一个拥有200万张图像和365类别的综合数据集。COCO数据集提供了额外的123k张无标签图像，用于生成伪标记数据。在COCO上训练一个准确模型来标记这些图像，然后用原始的118k图像来训练YOLO-NAS模型。
YOLO-NAS架构还结合了知识蒸馏（KD）和分配焦点损失（DFL），以增强其训练过程。
YOLO-NAS对象检测算法代码实现
在使用YOLO-NAS前，我们依然按照标准的代码规范，先安装第三方库，主要库如下
!pip install fastcore -U !pip install super-gradients==3.1.0 !pip install imutils !pip install roboflow !pip install pytube --upgrade安装完成后，我们就可以使用YOLO-NAS来进行对象检测的操作了。
from super_gradients.training import models yolo_nas_l = models.get(&34;, pretrained_weights=&34;)然后我们初始化一个对象检测model，并加载coco预训练模型，一旦我们配置好了模型，便可以进行对象检测了，对象检测可以使用如下类型进行图片或者视频的检测。
&39;&39;&39; yolo_nas_l.predict(url, conf=0.25).show()我们可以使用predict方法进行对象检测，传递的参数一个是需要检测的对象（图片，视频即可，当然也可以是一个URL地址），另外一个是置信度。检测完成后，最后使用show方法显示检测后的结果。
模型的检测主要是如下步骤：
输入图像通过预处理管道，其中包括图像大小调整、标准化和permute操作，以将输入RGB图像转换为tensor张量。模型推断检测结果的后期处理（非最大抑制，将边界框调整为原始图像的大小）结果的可视化（图像顶部边界框的渲染）当然模型同样支持视频的检测，我们只需要把图片的地址换成视频的地址即可
import torch device = &39; if torch.cuda.is_available(）else &39; yolo_nas_l.to(device).predict(&39;).save(&39;) 开源地址： #https://github.com/Deci-AI/super-gradients/blob/master/YOLONAS.md下表罗列了YOLO系列模型的对比参数，从参数来看，其YOLO-NAS模型的参数量与精度，延迟参数以及AP都是目前最好的。
在计算机视觉和深度学习领域的不懈研究和创新的推动下，对象检测最先进的（SOTA）模型也在不断发展。虽然目前YOLO系列模型是目前对象检测算法最好的模型，但是未来随着深度学习框架的不断发展，相信还会出现越来越多，越来越好的对象检测模型。
其他YOLO模型文章参考：
YOLO对象检测算法又又又更新了，YOLOv8横空出世
高大上的YOLOV3对象检测算法，使用python也可轻松实现
使用python轻松实现高大上的YOLOV4对象检测算法
基于python的YOLOV5对象检测模型实现
人工智能领域也卷了吗——YOLO系列又被刷新了，YOLOv7横空出世
YOLOv7与MediaPipe在人体姿态估计上的对比
本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除
热门信息
阅读 ()
1 注册微信号怎么注册第二个阅读 ()
2 怎么把照片变成卡通头像阅读 ()
3 手机越充越少电怎么解决