Treine o YOLO-NAS no conjunto de dados personalizado.

A arquitetura YOLO-NAS está lançada! O novo YOLO-NAS oferece desempenho de última geração com desempenho inigualável de velocidade e precisão, superando outros modelos como YOLOv5, YOLOv6, YOLOv7 e YOLOv8.

Vamos entender como treinar o YOLO-NAS no conjunto de dados personalizado. Vou usar o conjunto de dados Roboflow.

Link do conjunto de dados —https://universe.roboflow.com/object-detect-dmjpt/waste-9cbfm

Usaremos o google colab para treinar nosso conjunto de dados

Caderno para iniciantes YOLO-NAS —https://colab.research.google.com/drive/1q0RmeVRzLwRXW-h9dPFSOchwJkThUy6d?pli=1&authuser=4

Etapa 1. A instalação da biblioteca necessária pode levar alguns minutos.

Etapa 2. Reinicie o tempo de execução antes de prosseguir Etapa importante

Etapa 3. Faça o download dos pesos pré-treinados — yolo_nas_s ou de acordo com suas necessidades.

Execute a próxima célula de código, lembre-se de mencionar o modelo correto = yolo_nas_s no meu caso.

Execute esta célula acima.

Etapa 4. Ajuste fino do YOLO-NAS no conjunto de dados personalizado

Verifique se o diretório foi criado

Etapa 5. Vamos pegar o conjunto de dados do roboflow. Já mencionei o link do conjunto de dados na parte superior.

Execute este código de célula acima para importar os módulos necessários fornecidos por SuperGradients DataLoaders.

Etapa mais importante ao carregar o conjunto de dados para treinamento.

Altere o tamanho do lote, se necessário, alterei 4.

Agora inspecionar o conjunto de dados SuperGradientes da melhor parte adicionaram transformações

Execute tudo isso abaixo das células de código mostradas.

Etapa 6. Como já mencionei, estou usando o modelo yolo_nas_s para este treinamento.

Definindo as Métricas e os Parâmetros de Treinamento

Integrações com ferramentas de monitoramento de experimentos. O SuperGradients possui integrações nativas com Tensorboard, Weights and Biases, ClearML e DagsHub.

Passo 7. Vamos começar o treinamento.

Saída do treinamento, temos esta aparência, levará tempo para exibir a saída.

Finalmente o treinamento acabou. Você obterá seus melhores e últimos pesos na pasta do ponto de verificação.

Etapa 8. Avaliar o melhor modelo treinado no conjunto de teste.

Etapa 9. Vamos fazer a detecção usando o melhor modelo.

A. PARA IMAGENS.

Execute esta célula de código abaixo, use qualquer imagem, forneça o caminho adequado e exiba o resultado previsto

B. PARA VÍDEOS.

A saída será armazenada na pasta de conteúdo no formato .mp4.

Obrigado

Também fiz um vídeo tutorial sobre este tópico. Você pode conferir isso no meu canal do YouTube.

Meu perfil do LinkedIn —https://www.linkedin.com/in/joelnadar123

Minha página no Twitter—https://twitter.com/mrtweeter333?t=IrA-LZW5ZMcPL4DL_GZigw&s=09

Sinta-se à vontade para entrar em contato comigo se precisar de mais informações .