在使用目标检测模型方面，我已经积累了一些经验。所以当我听说这个火热的新玩意儿叫做 YOLO-NAS 时，我知道我必须去尝试一下。让我告诉你，这个家伙真是让人惊叹。它就像是目标检测模型中的埃隆·马斯克——大胆、创新，稍微有点让人害怕。
首先，我们需要谈谈他们创造的绝妙新型量化友好块。就好像他们看着之前的模型，说：“这些很酷，但你知道怎样能让它们更好吗？加上一个特制的量化块！” 然后他们就这么做了。
先进的训练方案
他们决定在 Object365 数据集上进行预训练，这基本上就是有标注物体的重量级冠军。然后，他们加入了一些伪标记数据，就像在玉米片上撒上一些额外的辣椒，为了增添一点风味。但他们并没有止步于此。不，他们更进一步，决定使用预训练的教师模型进行知识蒸馏。这就像是向目标检测界的尤达大师学习，我完全赞成。
训练后量化（PTQ）
训练之后，YOLO-NAS 团队施展了他们的训练后量化（PTQ）魔法，就像是某种技术巫师。他们将网络转换为 INT8，使其更加高效。就好像他们在已经精彩的蛋糕上加了一层额外的美味糖霜，锦上添花。
AutoNac优化：当架构完美遇上疯狂科学
也许你会想：“好吧，Ritz，这听起来都很棒，但架构方面如何呢？”嗯，朋友，让我向你介绍AutoNac。这个家伙像冠军一样优化了架构空间，而且在使用相当于训练仅五个网络所需的GPU时间的同时完成。就好像他们把架构优化放在寿司店的传送带上一样，快速、高效，令人垂涎欲滴。
预训练于顶级数据集：目标检测的三重威胁
如果这还不够，YOLO-NAS还预训练于一些顶级数据集。我们说的是COCO、Objects365和Roboflow 100。这意味着你已经准备好在下游目标检测任务中大展身手。说真的，这个模型拆箱即用，准备好了。就像你买到了一台预装了所有游戏的电脑，而无需花费几个小时自己组装一样。
小物体检测和实时边缘设备应用
YOLO-NAS在检测小物体、提高定位精度和提升性能与计算比之间有一些令人惊叹的改进。就好像他们把我们对目标检测的喜爱提升到了11级，就像把你最喜欢的歌曲音量调到极限，让扬声器震颤。
还有一个亮点：YOLO-NAS非常适合实时边缘设备应用。所以，无论你是在开发一个超赞的新机器人，还是只是想让你的手机做一些疯狂的事情（比如，我不知道，从房间的另一边打开搅拌机），这个模型都能满足你的需求。就像你在后袋里装着一个多功能工具一样，随时准备应对生活中投向你的任何挑战。
数字证明了一切：YOLO-NAS，目标检测中的尤塞恩·博尔特
现在，让我们来看看数字数据。根据 Deci 的说法，YOLO-NAS 的精度比 YOLOv8 和 YOLOv7 的等效变体提高了约 0.5 个 mAP 点，速度快了 10-20%。没错，朋友们。这个模型不仅仅是好看，还有数据来支持它。就好像将猎豹和家猫进行比较一样，它们都很酷，但显然有一个更快更强大。
以下是该模型的 mAP 和延迟统计数据：
- YOLO-NAS S：47.5 mAP，延迟 3.21 毫秒
- YOLO-NAS M：51.55 mAP，延迟 5.85 毫秒
- YOLO-NAS L：52.22 mAP，延迟 7.87 毫秒
- YOLO-NAS S INT-8：47.03 mAP，延迟 2.36 毫秒
- YOLO-NAS M INT-8：51.0 mAP，延迟 3.78 毫秒
- YOLO-NAS L INT-8：52.1 mAP，延迟 4.78 毫秒
开始使用 YOLO-NAS：目标检测的未来等待着您
YOLO-NAS 是炙手可热的新型目标检测模型，让人们谈论不休，而且有充分的理由。如果您已经准备好了解一下这个模型并看看为什么它引起了这么多关注，只需前往 GitHub，给 SuperGradients 仓库点个星星，然后查看起始笔记本。就像拆开最新的小工具，并成为朋友中第一个展示其强大之处的人一样。
- GitHub 仓库：https://lnkd.in/dpC8dnbA
- 起始笔记本：https://lnkd.in/dqcrnDFH
- AS-One 库：https://github.com/augmentedstartups/AS-One
总而言之，YOLO-NAS 是你迄今为止未曾知道自己需要的目标检测模型。凭借其独特的创新功能、优化的架构和令人难以置信的性能，它真正改变了目标检测的世界。所以，赶紧试试，看看你能用 YOLO-NAS 的力量创造出什么酷炫的东西。请记住，正如伟大的 Ritz 经常说的那样：“当生活给你柠檬时，用 YOLO-NAS 制作一个柠檬汽水机器人。”
