Entrene a YOLO-NAS en un conjunto de datos personalizado.

¡La arquitectura YOLO-NAS está disponible! El nuevo YOLO-NAS ofrece un rendimiento de vanguardia con un rendimiento de velocidad de precisión sin precedentes, superando a otros modelos como YOLOv5, YOLOv6, YOLOv7 y YOLOv8.

Entenderemos cómo entrenar YOLO-NAS en un conjunto de datos personalizado. Voy a usar el conjunto de datos de Roboflow.

Enlace de conjunto de datos —https://universe.roboflow.com/object-detect-dmjpt/waste-9cbfm

Usaremos google colab para entrenar nuestro conjunto de datos

Portátil de inicio YOLO-NAS —https://colab.research.google.com/drive/1q0RmeVRzLwRXW-h9dPFSOchwJkThUy6d?pli=1&authuser=4

Paso 1. La instalación de la biblioteca necesaria puede tardar unos minutos.

Paso 2. Reinicie Runtime antes de seguir adelante Paso importante

Paso 3. Descarga Las pesas preentrenadas — yolo_nas_s o depende de tus requerimientos.

Ejecute la siguiente celda de código, recuerde mencionar el modelo correcto = yolo_nas_s en mi caso.

Ejecute esta celda de arriba.

Paso 4. Ajuste fino de YOLO-NAS en un conjunto de datos personalizado

Compruebe que se crea el directorio.

Paso 5. Vamos a tomar el conjunto de datos de roboflow. Ya mencioné el enlace del conjunto de datos en la parte superior.

Ejecute este código de celda anterior para importar los módulos necesarios proporcionados por SuperGradients DataLoaders.

Paso más importante al cargar el conjunto de datos para el entrenamiento.

Cambie el tamaño del lote si es necesario. Lo he cambiado 4.

Ahora inspeccionar conjunto de datos La mejor parte Los supergradientes han agregado transformaciones

Ejecute todo esto debajo de las celdas de código que se muestran.

Paso 6. Como ya mencioné, estoy usando el modelo yolo_nas_s para este entrenamiento.

Definición de métricas y parámetros de entrenamiento

Integraciones con herramientas de monitoreo de experimentos. SuperGradients tiene integraciones nativas con Tensorboard, Weights and Biases, ClearML y DagsHub.

Paso 7. Que comience el entrenamiento.

Salida del entrenamiento nos vemos así, llevará tiempo mostrar la salida.

Finalmente el entrenamiento ha terminado. Recibirás tus mejores y últimos pesos en la carpeta del punto de control.

Paso 8. Evaluación del modelo mejor entrenado en el conjunto de prueba.

Paso 9. Deje hacer la detección usando el mejor modelo.

A. PARA IMÁGENES.

Ejecute esta celda de código a continuación, use cualquier imagen, proporcione la ruta adecuada y muestre el resultado previsto

B. PARA VIDEOS.

La salida se almacenará en la carpeta de contenido en formato .mp4.

Gracias

También hice un video tutorial sobre este tema. Puede consultarlo en mi canal de YouTube.

Mi perfil de LinkedIn —https://www.linkedin.com/in/joelnadar123

Mi página de Twitter—https://twitter.com/mrtweeter333?t=IrA-LZW5ZMcPL4DL_GZigw&s=09

No dude en ponerse en contacto conmigo si necesita más información .