Mengapa YOLO-NAS Merupakan Model Deteksi Objek Terbaik di Seri YOLO?
Table of content:
Setelah YOLOv8, masih ada model deteksi objek yang baru dan lebih baik, YOLO-NAS. Ini adalah algoritma deteksi objek yang dikembangkan oleh Deci AI untuk mengatasi keterbatasan model YOLO (You Only Look Once) sebelumnya.
Model ini dibangun dari AutoNAC, sebuah Mesin Pencari Neural Architecture. Ini melampaui kecepatan dan performa model SOTA, yang menghadirkan lompatan besar dalam deteksi objek dengan meningkatkan akurasi-latensi dan pertukaran dukungan kuantisasi.
Baca Juga:
Artikel ini akan membahas kekuatan dan fitur YOLO-NAS, mengeksplorasi mengapa ini adalah model deteksi objek terbaik dalam seri YOLO.
Memahami Cara Kerja YOLO-NAS
AutoNAC (Konstruksi Arsitektur Saraf Otomatis) Deci menghasilkan arsitektur YOLO-NAS. AutoNAC adalah proses mulus yang memberikan peningkatan kinerja ke jaringan saraf dalam yang ada.
Pipa AutoNAC menggunakan jaringan syaraf dalam yang dilatih pengguna sebagai masukan, kumpulan data, dan akses ke sistem inferensi. Jaringan saraf dalam yang dilatih pengguna kemudian mengalami desain ulang menggunakan pipa. Arsitektur yang dioptimalkan dengan latensi lebih rendah kemudian dicapai tanpa mengurangi akurasi.
YOLO-NAS menggunakan RepVGG. RepVGG membuatnya tersedia untuk pengoptimalan pasca-pelatihan dengan parameterisasi ulang atau Kuantisasi Pasca-pelatihan. Ini adalah jenis arsitektur jaringan saraf berdasarkan VGG. Ini menggunakan teknik regularisasi yang dirancang untuk meningkatkan kemampuan generalisasi model deep learning.
Desain arsitektur lebih efisien dalam kecepatan dan memori. RepVGG menjalani pelatihan menggunakan arsitektur multi-cabang untuk mencapai inferensi yang lebih cepat. Itu kemudian dikonversi menjadi satu cabang menggunakan parameterisasi ulang.
Fitur ini membuat YOLO-NAS sangat berguna untuk penerapan produksi. Hal ini karena dimungkinkan untuk melatih dan mengoptimalkan model dengan presisi penuh untuk kecepatan inferensi dan penggunaan memori.
Fitur Utama YOLO-NAS
Fitur utama YOLO-NAS adalah sebagai berikut:
- Pelatihan Sadar Kuantisasi: Model ini menggunakan QSP dan QCI (modul sadar kuantisasi) untuk mengurangi kehilangan akurasi selama kuantisasi pasca-pelatihan dengan menggabungkan parameterisasi ulang kuantisasi 8-bit.
- Desain arsitektur otomatis: AutoNAC, teknologi NAS milik Deci mencari arsitektur model optimal yang mengintegrasikan arsitektur model YOLO dasar untuk menghasilkan model yang dioptimalkan.
- Teknik kuantisasi hibrida: Metode kuantisasi standar mempengaruhi seluruh model. Sebaliknya, teknik kuantisasi hibrid mengkuantisasi bagian model untuk menyeimbangkan latensi dan akurasi model.
- Gunakan pendekatan unik untuk menyiapkan model untuk pelatihan dengan menggunakan data yang diberi label secara otomatis. Model kemudian belajar dari prediksinya dan mengakses data dalam jumlah besar.
Analisis Komparatif: YOLO-NAS vs Model YOLO Lainnya
Di bawah ini adalah perbandingan antara berbagai model seri YOLO.
YOLO-NAS lebih baik daripada model deteksi objek yang sudah ada sebelumnya, tetapi ada kekurangannya. Berikut adalah daftar keuntungan dan kerugian YOLO-NAS:
Pro
- Ini adalah sumber terbuka.
- Ini 10-20% lebih cepat dari model YOLO yang sudah ada sebelumnya.
- Ini lebih akurat dibandingkan dengan model YOLO yang sudah ada sebelumnya.
- Ini menggunakan arsitektur yang lebih baik, AutoNAC. Hal ini menetapkan rekor baru dalam deteksi objek, memberikan performa tradeoff akurasi dan latensi terbaik.
- Dukungan mulus untuk mesin inferensi seperti NVIDIA. Fitur ini menjadikannya model siap produksi.
- Ini memiliki efisiensi memori yang lebih baik dan peningkatan kecepatan inferensi.
Kontra
- Belum stabil karena teknologinya masih baru dan belum banyak digunakan dalam produksi.
Implementasi YOLO-NAS
Anda akan menggunakan Google Colab untuk menulis dan menjalankan kode dalam implementasi ini. Alternatif untuk Google Colab adalah membuat lingkungan virtual dan menggunakan IDE di mesin lokal Anda.
Model ini sangat intensif sumber daya. Pastikan Anda memiliki setidaknya 8GB RAM sebelum menjalankannya di mesin Anda. Semakin besar ukuran video, semakin banyak memori yang digunakan.
Menginstal Ketergantungan
Instal ketergantungan YOLO-NAS, gradien super menggunakan perintah di bawah ini:
pip install super-gradients==3.1.2
Setelah penginstalan berhasil, kini Anda dapat melatih model YOLO-NAS.
Pelatihan Model
Untuk melatih model, jalankan blok kode di bawah ini:
from super_gradients.training import models
yolo_nas_l = models.get("yolo_nas_l", pretrained_weights="coco")
Anda mengimpor model pelatihan dari pustaka SuperGradients yang terinstal dalam kode ini. Anda kemudian menggunakan bobot model terlatih dari set data COCO.
Inferensi Model
Inferensi model memiliki aplikasi potensial untuk deteksi gambar, klasifikasi, dan tugas segmentasi.
Dalam hal ini, Anda akan fokus pada tugas deteksi objek untuk video dan gambar. Untuk mendeteksi objek dalam gambar, jalankan blok kode di bawah ini:
url = "img_path"
yolo_nas_l.predict(url, conf=0.25).show() Pastikan Anda menggunakan jalur yang akurat ke gambar Anda. Dalam hal ini, unggah gambar di lingkungan Google Colab, lalu salin jalur gambar tersebut.
Keluaran yang diharapkan:
Untuk mendeteksi objek dalam video, jalankan blok kode di bawah ini:
import torchinput_video_path = "path_to_video"
output_video_path = "detected.mp4"
device = 'cuda' if torch.cuda.is_available() else "cpu"
yolo_nas_l.to(device).predict(input_video_path).save(output_video_path)
Seperti data gambar, unggah video yang ingin objeknya terdeteksi ke lingkungan Google Colab dan salin jalur ke variabel video. Video yang diprediksi akan dapat diakses dari lingkungan Google Colab menggunakan namanya terdeteksi.mp4. Unduh video ke mesin lokal Anda sebelum mengakhiri sesi Anda.
Keluaran yang diharapkan:
YOLO-NAS juga mendukung penyempurnaan model dan pelatihan pada data kustom. Dokumentasi tersedia di milik Deci notebook starter fine-tuning.
Aplikasi Dunia Nyata YOLO-NAS
Kode sumber YOLO-NAS dapat diakses di bawah Lisensi Apache 2.0, yang dapat diakses untuk penggunaan non-komersial. Untuk penggunaan komersial, model harus menjalani pelatihan ulang dari awal untuk mendapatkan bobot khusus.
Ini adalah model serbaguna yang penerapannya dimungkinkan di beberapa bidang, seperti:
Kendaraan Otonom dan Robotika
YOLO-NAS dapat meningkatkan kemampuan persepsi kendaraan otonom, memungkinkan mereka mendeteksi dan melacak objek lebih cepat dan lebih akurat secara real-time. Kemampuan ini membantu memastikan keselamatan jalan dan pengalaman berkendara yang mulus.
Pengawasan dan Sistem Keamanan
Model ini dapat memberikan deteksi objek yang cepat, akurat, dan real-time untuk sistem pengawasan dan keamanan, yang membantu mengidentifikasi potensi ancaman atau aktivitas mencurigakan, sehingga menghasilkan sistem keamanan yang lebih baik
Manajemen Ritel dan Persediaan
Model ini dapat memberikan kemampuan deteksi objek yang cepat dan akurat yang memungkinkan manajemen inventaris otomatis yang efisien dan waktu nyata, pelacakan stok, dan pengoptimalan rak. Model ini membantu mengurangi biaya operasi dan meningkatkan laba.
Kesehatan dan Pencitraan Medis
Dalam perawatan kesehatan, YOLO-NAS mampu membantu deteksi dan analisis anomali penyakit atau bidang minat tertentu secara efisien. Model ini dapat membantu dokter mendiagnosis penyakit secara akurat dan memantau pasien, sehingga meningkatkan sektor kesehatan.
Bawa Pulang YOLO-NAS
YOLO-NAS adalah model deteksi objek baru yang memelopori cara baru dalam melakukan deteksi objek. Ini lebih baik daripada model SOTA. Performanya dalam deteksi objek merupakan lompatan besar untuk proyek visi komputer.
Artikel Terkait
