Зашто је ИОЛО-НАС најбољи модел за детекцију објеката у ИОЛО серији?

После ИОЛОв8, још увек постоји нови и бољи најсавременији модел детекције објеката, ИОЛО-НАС. То је алгоритам за откривање објеката који је развио Деци АИ да би се ухватио у коштац са ограничењима претходних ИОЛО (Иоу Онли Лоок Онце) модела.

Модел је направљен од АутоНАЦ-а, претраживача неуронске архитектуре. Он надмашује брзину и перформансе СОТА модела, што представља велики скок у детекцији објеката побољшавајући компромисе између тачности и кашњења и подршке за квантизацију.

Овај чланак ће расправљати о предностима и карактеристикама ИОЛО-НАС-а, истражујући зашто је то најбољи модел детекције објеката у серији ИОЛО.

Разумевање како ИОЛО-НАС функционише

Децијев АутоНАЦ (Аутоматизована конструкција неуронске архитектуре) генерише ИОЛО-НАС архитектуру. АутоНАЦ је беспрекоран процес који обезбеђује повећање перформанси постојећим дубоким неуронским мрежама.

АутоНАЦ цевовод узима дубоку неуронску мрежу обучену од стране корисника као улаз, скуп података и приступ систему закључивања. Дубока неуронска мрежа обучена од стране корисника затим пролази кроз редизајнирање помоћу цевовода. Оптимизована архитектура са мањим кашњењем се тада постиже без угрожавања тачности.

ИОЛО-НАС користи РепВГГ. РепВГГ га чини доступним за оптимизацију након тренинга поновном параметризацијом или квантизацијом након тренинга. То је врста архитектуре неуронске мреже засноване на ВГГ. Користи технике регуларизације дизајниране да побољшају способност генерализације модела дубоког учења.

Дизајн архитектуре је ефикаснији у брзини и меморији. РепВГГ пролази кроз обуку користећи архитектуру са више грана да би се постигао бржи закључак. Затим се конвертује у једну грану помоћу поновне параметризације.

Ова карактеристика чини ИОЛО-НАС веома корисним за примену у производњи. То је зато што је могуће обучити и оптимизовати модел са потпуном прецизношћу за брзину закључивања и коришћење меморије.

Кључне карактеристике ИОЛО-НАС-а

Кључне карактеристике ИОЛО-НАС-а укључују следеће:

• Обука свесне квантизације: Модел користи КСП и КЦИ (модуле свесне на квантизацију) да смањи губитак тачности током квантизације после тренинга комбиновањем поновне параметризације 8-битне квантизације.
• Аутоматско пројектовање архитектуре: АутоНАЦ, Деци-јева власничка НАС технологија тражи оптималну архитектуру модела која интегрише основне архитектуре ИОЛО модела како би дошла до оптимизованог модела.
• Техника хибридне квантизације: Стандардна метода квантизације утиче на цео модел. Насупрот томе, техника хибридне квантизације квантизује део модела како би уравнотежила кашњење и тачност модела.
• Користите јединствене приступе да припремите модел за обуку користећи аутоматски означене податке. Модел затим учи из својих предвиђања и приступа великим количинама података.

Компаративна анализа: ИОЛО-НАС наспрам других ИОЛО модела

Испод је поређење између различитих модела серије ИОЛО.

ИОЛО-НАС је бољи од већ постојећих модела детекције објеката, али има своје недостатке. Ево листе предности и недостатака ИОЛО-НАС-а:

Прос

• Он је отвореног кода.
• Бржи је 10-20% од постојећих ИОЛО модела.
• Тачније је у поређењу са већ постојећим ИОЛО моделима.
• Користи бољу архитектуру, АутоНАЦ. Ово поставља нови рекорд у детекцији објеката, пружајући најбољу прецизност и перформансе компромиса са кашњењем.
• Беспрекорна подршка за механизме закључивања као што је НВИДИА. Ова карактеристика га чини моделом спремним за производњу.
• Има бољу ефикасност меморије и повећану брзину закључивања.

Цонс

• Још није стабилан јер је технологија још увек нова и није се масовно користила у производњи.

Имплементација ИОЛО-НАС

Користићете Гоогле Цолаб да напише и покрене кодове у овој имплементацији. Алтернатива за Гоогле Цолаб би била да створити виртуелно окружење и користите ИДЕ на вашој локалној машини.

Модел је веома интензиван ресурсима. Уверите се да имате најмање 8 ГБ РАМ-а пре него што га покренете на својој машини. Што је већа величина видео записа, више меморије користи.

Инсталирање зависности

Инсталирајте зависност ИОЛО-НАС, супер градијенти користећи наредбу испод:

пип инсталл супер-градиентс==3.1.2

Након успешне инсталације, сада ћете моћи да обучите ИОЛО-НАС модел.

Модел Траининг

Да бисте обучили модел, покрените блок кода испод:

из супер_градијенти.тренинг увоз модели
иоло_нас_л = моделс.гет("иоло_нас_л", претраинед_веигхтс="кокос")

Увозите модел обуке из инсталиране библиотеке СуперГрадиентс у овом коду. Затим користите унапред обучене тежине модела из ЦОЦО скупа података.

Закључивање модела

Закључак модела има потенцијалне примене за задатке детекције, класификације и сегментације.

У овом случају, фокусираћете се на задатак детекције објеката за видео записе и слике. Да бисте открили објекат на слици, покрените блок кода испод:

урл = "имг_патх"
иоло_нас_л.предицт (урл, цонф=0.25).Прикажи()

Уверите се да користите тачан пут до своје слике. У овом случају, отпремите слику у Гоогле Цолаб окружење, а затим копирајте путању слике.

Очекивани излаз:

Да бисте открили објекте у видео снимку, покрените блок кода у наставку:

увоз бакља
улаз_видео_путања = "пут_до_видеа"
излаз_видео_путања = "детецтед.мп4"
уређај = 'цуда'ако торцх.цуда.ис_аваилабле() друго"Процесори"
иоло_нас_л.то (уређај).предицт (инпут_видео_патх).саве (оутпут_видео_патх)

Као и подаци о слици, отпремите видео запис за који желите да се његови објекти открију у Гоогле Цолаб окружење и копирајте путању до видео променљиве. Предвиђени видео ће бити доступан из Гоогле Цолаб окружења користећи име дететед.мп4. Преузмите видео на своју локалну машину пре него што завршите сесију.

Очекивани излаз:

ИОЛО-НАС такође подржава фино подешавање модела и обуку о прилагођеним подацима. Документација је доступна на Деци’с стартер нотебоок за фино подешавање.

Примене ИОЛО-НАС-а у стварном свету

Изворни код ИОЛО-НАС-а доступан је под Апацхе лиценцом 2.0, која је доступна за некомерцијалну употребу. За комерцијалну употребу, модел би требало да се подвргне преобуци од нуле да би добио прилагођене тежине.

То је свестран модел чија је примена могућа у неколико области, као што су:

Аутономна возила и роботика

ИОЛО-НАС може побољшати могућности перцепције аутономних возила, омогућавајући им да брже и прецизније детектују и прате објекте у реалном времену. Ова способност помаже да се обезбеди безбедност на путу и ​​неометано искуство вожње.

Системи надзора и безбедности

Модел може да обезбеди брзу, прецизну детекцију објеката у реалном времену за надзор и безбедност система, који помаже у идентификацији потенцијалних претњи или сумњивих активности, што резултира бољом безбедношћу система

Управљање малопродајом и залихама

Модел може да обезбеди брзе и прецизне могућности детекције објеката које омогућавају ефикасно и аутоматизовано управљање залихама у реалном времену, праћење залиха и оптимизацију полица. Овај модел помаже у смањењу оперативних трошкова и повећању профита.

Здравство и медицинска слика

У здравству, ИОЛО-НАС је способан да помогне у ефикасном откривању и анализи аномалија болести или специфичних области од интереса. Модел може помоћи лекарима да прецизно дијагностикују болести и прате пацијенте, чиме се унапређује здравствени сектор.

ИОЛО-НАС Такеаваи

ИОЛО-НАС је нови модел детекције објеката који је пионир у новом начину детекције објеката. Бољи је од СОТА модела. Његове перформансе у детекцији објеката су велики скок за пројекте компјутерског вида.