Entraînez YOLO-NAS sur un jeu de données personnalisé.

L'architecture YOLO-NAS est sortie ! Le nouveau YOLO-NAS offre des performances de pointe avec des performances de précision et de vitesse inégalées, surpassant les autres modèles tels que YOLOv5, YOLOv6, YOLOv7 et YOLOv8.

Nous comprendrons comment former YOLO-NAS sur un jeu de données personnalisé. Je vais utiliser le jeu de données Roboflow.

Lien vers l'ensemble de données —https://universe.roboflow.com/object-detect-dmjpt/waste-9cbfm

Nous utiliserons google colab pour former notre ensemble de données

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

Étape 1.L'installation de la bibliothèque requise peut prendre quelques minutes.

Étape 2. Redémarrez l'exécution avant d'aller de l'avant Étape importante

Étape 3. Téléchargez les poids pré-entraînés — yolo_nas_s ou dépendent de vos besoins.

Exécutez la cellule de code suivante, n'oubliez pas de mentionner le bon modèle = yolo_nas_s dans mon cas.

Exécutez cette cellule ci-dessus.

Étape 4. Réglage fin de YOLO-NAS sur un ensemble de données personnalisé

Vérifiez que le répertoire est créé

Étape 5. Prenons l'ensemble de données de roboflow J'ai déjà mentionné le lien de l'ensemble de données en haut.

Exécutez ce code de cellule ci-dessus pour importer les modules requis fournis par SuperGradients DataLoaders.

Étape la plus importante lors du chargement de l'ensemble de données pour la formation.

Modifiez la taille du lot si nécessaire, je l'ai modifiée 4.

Maintenant, Inspect Dataset Best part SuperGradients a ajouté des transformations

Exécutez tout cela ci-dessous les cellules de code indiquées.

Étape 6. Comme je l'ai déjà mentionné, j'utilise le modèle yolo_nas_s pour cette formation.

Définir les métriques et les paramètres de formation

Intégrations avec des outils de surveillance d'expériences. SuperGradients a des intégrations natives avec Tensorboard, Weights and Biases, ClearML et DagsHub.

Étape 7. Commençons la formation.

Sortie de la formation, nous ressemblons à ceci, il faudra du temps pour afficher la sortie.

Enfin, l'entraînement est terminé. Vous obtiendrez vos meilleurs et derniers poids dans le dossier des points de contrôle.

Étape 8. Évaluer le modèle le mieux formé sur l'ensemble de test.

Étape 9. Laissez faire la détection en utilisant le meilleur modèle.

A. POUR LES IMAGES.

Exécutez cette cellule de code ci-dessous, utilisez n'importe quelle image, donnez le chemin approprié et affichez le résultat prévu

B. POUR LES VIDÉOS.

La sortie sera stockée dans le dossier de contenu au format .mp4.

Merci

J'ai également réalisé un didacticiel vidéo sur ce sujet. Vous pouvez le consulter sur ma chaîne YouTube.

Mon profil LinkedIn —https://www.linkedin.com/in/joelnadar123

Ma page Twitter—https://twitter.com/mrtweeter333?t=IrA-LZW5ZMcPL4DL_GZigw&s=09

N'hésitez pas à me contacter si vous avez besoin de plus d'informations .